导读:本文包含了相互作用网络论文开题报告文献综述及选题提纲参考文献，主要关键词:木聚糖酶,残基相互作用网络,耐热性,社团
相互作用网络论文文献综述
季静思,丁彦蕊[1]（2019）在《残基相互作用网络特征与木聚糖酶耐热性的关系》一文中研究指出残基相互作用网络是体现蛋白质中残基与残基之间协同和制约关系的重要形式。残基相互作用网络的拓扑性质以及社团结构与蛋白质的功能和性质有密切的关系。本文在构建一系列耐热木聚糖酶和常温木聚糖酶的残基相互作用网络后,通过计算网络的度、聚类系数、连接强度、特征路径长度、接近中心性、介数中心性等拓扑参数来确定网络拓扑结构与木聚糖酶耐热性的关系。识别残基相互作用网络的hub点,分析hub点的亲疏水性、带电性以及各种氨基酸在hub点中所占的比例。进一步使用GA-Net算法对网络进行社团划分,并计算社团的规模、直径和密度。网络的高平均度、高连接强度、以及更短的最短路径等表明耐热木聚糖酶残基相互作用网络的结构更加紧密;耐热木聚糖酶网络中的hub节点比常温木聚糖酶网络hub节点具有更多的疏水性残基,hub点中Phe、Ile、Val的占比更高。社团检测后发现,耐热木聚糖酶网络拥有更大的社团规模、较小的社团直径和较大的社团密度。社团规模越大表明耐热木聚糖酶的氨基酸残基更倾向于形成大的社团,而较小的社团直径和较大的社团密度则表明社团内部氨基酸残基的相互作用比常温木聚糖酶更强。(本文来源于《中国生物化学与分子生物学报》期刊2019年11期）
陶斯涵,丁彦蕊[2]（2019）在《引入序列信息的残基相互作用网络比对算法》一文中研究指出残基相互作用网络比对,对于研究蛋白质结构与功能的关系具有重要意义.在基于网络拓扑信息进行网络比对的MAGNA算法基础上,将蛋白质的序列信息(即残基匹配度)引入到其优化函数中,确定拓扑信息和序列信息对比对的影响程度,提出适合于残基相互作用网络比对的SI-MAGNA算法.实验结果表明,SI-MAGNA算法比现有的基于网络拓扑信息的经典比对方法(GRAAL、MI-GRAAL、MAGNA和CytoGEDEVO)具有更高的边正确性(edge correctness,简称EC).最后,使用SI-MAGNA算法对来自不同耐热温度的生物的同源蛋白质进行网络比对和分析,探索蛋白质结构对其热稳定性的影响.(本文来源于《软件学报》期刊2019年11期）
王佩恒,张冬雯,许云峰[3]（2019）在《基于网络层次的蛋白质相互作用网络功能模块检测方法》一文中研究指出为了在蛋白质相互作用网络上预测蛋白质复合物和功能模块,文章提出了WCFM聚类算法,提高了在人类PPI网络上预测蛋白质复合物准确率,并且将D3可视化技术应用到PPI网络可视化领域,为生物网络模块的挖掘和分析提供了有益的参考。(本文来源于《内蒙古科技与经济》期刊2019年15期）
肖行行,冀俊忠,杨翠翠[4]（2019）在《基于烟花算法的蛋白质相互作用网络功能模块检测方法》一文中研究指出针对群智能聚类方法在蛋白质相互作用网络功能模块检测问题上运行时间长的不足,本文提出了一种基于烟花算法的蛋白质相互作用网络功能模块检测方法(Fireworks Algorithm for Functional Module Detection in Protein-protein Interaction Networks,简称FWA-FMD).首先结合蛋白质相互作用网络的拓扑结构信息和基因本体的功能注释信息,基于标签传播思想将每个烟花个体初始化为一种候选的功能模块划分.其次在每一代进化过程中,利用具有局部搜索和全局搜索自调整能力的爆炸操作对每个烟花个体进行优化,并同时采用精英保留和轮盘赌策略选择下一代烟花个体.最后通过将最优烟花个体中标签相同的节点划分到同一功能模块,以得到最终的功能模块检测结果.在酵母菌和人类两个物种的4个公共蛋白质相互作用网络数据集上的功能模块检测结果,分别用两种标准功能模块数据集作为基准来评价的实验表明:FWA-FMD算法不但求解时间少于遗传算法、蚁群算法和细菌觅食算法,而且在多项评价指标上与一些代表性算法相比都具有明显的优势,能够更好地识别功能模块.(本文来源于《哈尔滨工业大学学报》期刊2019年05期）
马原,任路,马贤德,贾连群,陈文娜[5]（2019）在《基于“心脑并病”抑郁症与心脏病相互作用网络机制》一文中研究指出抑郁症和心脏病都是临床重要的公共健康问题。目前关于抑郁症与心脏病之间的关系已经提出了一些关键的机制,包括行为学机制、遗传机制、和自主机制等。通过探讨抑郁症与心脏病的相关机制,目的阐明"心脑"中医与现代医学相互关系,进而揭示"心主神明""脑为元神之府"的"心脑"中医相关的科学内涵。(本文来源于《中华中医药学刊》期刊2019年04期）
王沫沅[6]（2019）在《基于深度神经网络和集成方法的蛋白质相互作用预测研究》一文中研究指出蛋白质是生命的物质基础之一,其相互作用(protein-protein interaction,PPI)几乎控制所有细胞过程,对生物体内各种生理功能的执行发挥着至关重要的作用,掌握这种作用关系不仅有助于理解生命活动的执行机制,也能够为疾病形成与发展、药物设计等提供重要理论支撑。传统生物实验每次能够测定的蛋白质对数目有限,且时间等花销较大,存在局限性。相比之下,使用计算的方法具有省时省力且灵活性高的特点,因此受到了较多关注,其中,基于机器学习的计算方法已成为了研究热点。在后基因组时代,基因序列数据等资源丰富,为基于机器学习方法预测蛋白质间相互作用关系的广泛应用奠定了基础,众多预测方法应运而生。随着机器学习算法的发展,模型的性能得到了持续的提升,但是一些新的模型在蛋白质互作预测研究中却并未得到充分利用。其次,生物数据类别较多,如何充分利用已有数据进行预测并没有统一标准,且不同的特征提取方法与分类器之间常互相限制,当替换分类器时有时需要同时更换数据和特征提取方法才能够维持好的预测性能。针对这些问题,本文提出了基于深度神经网络和基于集成学习模型的两种PPI预测方法。基于深度神经网络的PPI预测框架整合了多种生物信息,包括序列相似性、重要性、亚细胞定位信息以及GO语义相似性信息,组成抽象层次较高的低维特征向量,然后构建深度神经网络,学习蛋白质的特征数据并对未知蛋白质对进行预测。实验结果表明,本文整合的生物特征能够有效降低分类器的时间花销并提高分类准确性,较适用于PPI预测研究,此外,我们构建的神经网络也有较好的泛化能力。基于深度网络的预测方法需整合多个数据源的信息,存在前期人力成本较高的缺点。而且有些蛋白质不具有实验所需的完备生物信息记录,无法获取对应特征向量,相对而言,蛋白质序列数据资源则更丰富且容易获取。鉴于此,我们又提出了一种基于连续小波变换和集成学习模型的PPI预测方法作为补充。该方法综合考虑了氨基酸的不同物理化学性质,利用对应数值将蛋白质序列转化成数字表示形式,然后使用连续小波变换和尺度-小波能量谱从长度不一的序列数据中提取出等长的特征向量。基于此特征向量,我们训练了7个随机森林,通过整合不同随机森林的输出结果,完成预测。实验证明,该方法在多种蛋白质数据上都具有较高的预测性能,值得进一步深入研究。(本文来源于《吉林大学》期刊2019-04-01）
安宁波[7]（2019）在《多层网络上传播动力学与偏好游走的相互作用》一文中研究指出传播在我们的现实世界中普遍存在,其中感染病传播、谣言传播等对人类健康及社会安全造成了严重的影响。若我们清楚传播机制,这将对预防和控制传播过程提供有力的理论依据。因此,研究这些传播过程的传播机制就很有意义。为了更细致地刻画传播的接触关系,已有学者们引进单层网络来研究传播过程。然而,由于现实世界的复杂性,单层网络已不能很好地用来刻画复杂系统,学者们便引进多层网络。本文主要关注基于多层网络上的传播过程。在本文的主要研究中,我们提出一个多层网络上的传播模型,并研究模型中的非平衡相变的本质。该模型将易感-感染-易感(或易感-感染-恢复)传播动力学与不同层间的偏好扩散过程融合在一起。引进参数α,用来控制扩散过程的偏好,以至于α的值越大,每个个体更偏好游走到其邻居中感染者(或恢复者)较多的层。运用随机模拟和平均场理论,我们展示从健康相到疾病相(EP)之间的相变类型,且该相变类型依赖于参数α。当α充分小时,随着有效传播速率β的增加,该系统会经历平凡的连续相变,这和单层网络的类似。有趣的是,当α越过临界值时,随着β的增加,系统会展现出混合的二级相变或者一级不连续相变。前者包括从健康相到低传播范围EP的连续相变以及从低传播范围EP相到高传播范围EP的不连续相变。对于后者,只有从健康相到高传播范围EP的不连续相变。而且,我们揭示不连续相变总是伴随着每一层上个体的占据概率的自发对称性破缺。(本文来源于《安徽大学》期刊2019-03-01）
姚雨[8]（2019）在《基于深度学习网络的剪接位点及蛋白质相互作用预测方法研究》一文中研究指出生物学中心法则包括DNA转录、RNA翻译和蛋白质表达。选择性剪接是转录后期的关键步骤,剪接过程的正确执行很大程度在于剪接位点的正确识别,它使得一种编码蛋白质的基因可以产生多种转录变体。因此,错误的剪接位点经常会导致各种疾病的发生。选择性剪接通过产生不同的剪接变体翻译成不同特定生物功能的蛋白产物,而蛋白质的变异或者某些蛋白质发生异常相互作用也同样会导致疾病甚至癌症的发生。鉴于剪接位点及蛋白质相互作用预测在生物领域的重要性,本论文着重基于深度学习技术来研究剪接位点和蛋白质相互作用这两个问题的预测方法,主要内容包括:1.剪接位点及剪接模式的探索对于理解基因转录过程非常重要。现有的计算方法在剪接位点预测问题上取得了较大成功,但是不可避免存在特征提取、模型可解释性差等缺点,由此本文提出基于深度卷积神经网络来预测剪接位点,该网络主要由剪接位点预测模块和揭示剪接位点序列模式的模型解释模块组成。和传统机器学习方法相比,剪接位点预测模块在六个不同公共供体/受体剪接位点数据源上取得了更精确的分类性能。此外,为了解释深度学习的识别过程,模型解释模块对卷积特征进行了可视化,展现了特征映射从底层到高层的抽象过程,相关下游分析主要包括:(1)motif识别;(2)卷积核分析;(3)剪接模式的探索。2.RNA经过选择性剪接事件后会产生不同的mRNA,这些mRNA将会被翻译成对应的蛋白质。我们知道,生物体内各种生命活动的执行主要依赖于蛋白质及其相互作用的正确执行。因此,蛋白质相互作用的研究不仅有助于探索生物体内各个生命过程的调节机制,更有助于促进相关药物的研发及疾病的控制。当前大量的蛋白质相互作用预测方法主要流程是依据蛋白质序列和结构信息提取特征、结合相关机器学习方法建立模型进行预测。然而,人为抽取的特征通常有许多缺陷,例如需要有非常专业的领域知识。更麻烦的是,所提取的特征在很多情况下并不能全面反映蛋白质本身所具有的性质,由此接下来依赖于手工提取特征的机器学习模型对蛋白质相互作用预测的准确性也不高。自然语言处理中的Word2vec能够对文档中的词语结合上下文进行描述,由此我们结合Word2vec模型以数据驱动的方式进行训练、自动获取高质量特征表示的优势和深度信念网络处理高维、大规模数据时自动提取特征的特点,设计基于Word2vec和深度信念网络的蛋白质相互作用预测方法。方法在酿酒酵母核心数据集、人类蛋白数据集以及五个独立数据集上的测试表明了使用Word2vec方法表示蛋白质残基、深度学习技术作用于蛋白质相互作用分类问题上的可行性。简言之,在剪接位点分类研究中,方法侧重利用卷积神经网络自动进行深度特征提取的能力,摒弃手动提取特征的弊端,结合深度卷积网络探讨了模型背后的剪接位点识别机制,弥补了机器学习中模型解释相对薄弱的缺陷。而在蛋白质相互作用预测研究中,则是在Swiss-prot数据库上训练Word2vec模型来捕获蛋白质序列中的内在关系,展示了一种新型的将残基表示成低维稠密向量的表示方法,并结合深度信念网络用于蛋白质相互作用预测。(本文来源于《安徽大学》期刊2019-02-01）
臧传鑫,刘瑞娟,魏峻玉,赵文歌,刘存[9]（2019）在《基于蛋白质相互作用网络探讨天花粉蛋白对乳腺癌MCF-7/PTX细胞的耐药逆转作用》一文中研究指出目的:构建人乳腺癌MCF-7/PTX细胞的蛋白质相互作用网络,预测细胞关键靶点,从凋亡耐药途径观察天花粉蛋白对MCF-7/PTX细胞的耐药逆转作用。方法:通过在线基因银行数(GenBank)筛选获得MCF-7/PTX细胞相关基因;使用STRING进行文本挖掘并构建蛋白质相互作用网络;应用插件Centiscape 2.2实现拓扑分析;基于拓扑分析所得的关键因子,选取Bcl-2基因为研究指标;MTT法检测TCS对MCF-7/PTX细胞的增殖抑制作用,Western Blot检测TCS对MCF-7/PTX细胞Bcl-2蛋白表达的影响。结果:通过"GenBank"筛选获得MCF-7/PTX细胞相关基因134个,软件STRING挖掘出MCF-7/PTX细胞的蛋白质相互作用网络包含1194个节点(蛋白质)、19733条边(相互作用关系);插件Centiscape 2.2分析得出关键节点Bcl-2。实验表明TCS对MCF-7/PTX细胞有明显的增殖抑制作用,且随着药物浓度的升高和作用时间的延长,对细胞的增殖抑制率升高,具有时间-剂量依赖性。不同浓度TCS作用于MCF-7/PTX细胞72 h,Bcl-2蛋白的表达下调,且呈剂量依赖性。结论:TCS通过下调MCF-7/PTX细胞Bcl-2蛋白的表达来发挥耐药逆转作用。(本文来源于《辽宁中医杂志》期刊2019年01期）
王晶[10]（2018）在《基于支持向量机的蛋白质结构类预测及蛋白质相互作用网络拓扑结构分析》一文中研究指出随着蛋白质与基因测序技术的进一步发展,尤其是基因组计划的启动使得有关蛋白质的生物序列飞速增长。生物序列的海量产生、收集,造成已知蛋白质序列和已知蛋白质结构、功能之间的数量差距越来越大。开发具有一定智能、可以自动识别蛋白质结构、功能等生物信息的自动系统或模式识别方法成为了现实地、迫切地需求。基于机器学习和人工智能方法的蛋白质结构、功能预测一直是生物信息学研究的重点问题同时也是生物信息学面临的重大挑战。大量的文献报道和研究结果表明模式识别方法在蛋白质二级结构预测中取得了巨大的成功,同时产生了大量鲁棒性的方法,一些方法对蛋质二级结构地预测准确率可以达到75%以上。在高效、快捷地实验室蛋白质结构与功能测定技术出现前,通过综合应用计算机技术、数学方法和分子生物学理论从大量的蛋白质一级序列数据中获取蛋白质结构功能等生物意义是生物信息学的首要任务和重点研究对象之一。本文的主要工作就是从生物序列出发,应用支持向量机(SVM)和蛋白质序列融合表征方法进行蛋白质结构类预测研究。蛋白质结构类预测是蛋白质结构预测的一个重要组成部分,使得人们从大体上把握蛋白质的折迭情况成为现实。蛋白质结构类型预测可以对二级结构的预测提供重要的信息。Levitt和Chothia于1976年定义了蛋白质的四种结构类型:全α蛋白质(主要由α螺旋组成的蛋白质);全β类蛋白质(主要由β折叠组成的蛋白质);α/β类(由α螺旋和β折叠交替排列组成的蛋白质);α+β类(由分开的α螺旋和β折叠组成,其中β折叠一般为平行结构)。蛋白质结构类预测地方法主要有通过光谱数据的实验室预测方法和模式识别预测方法,本文完成了蛋白质结构类预测的工作:基于多分类支持向量机(Multi-Class SVM)和融合特征表征方法地蛋白质结构类预测(第二章)、蛋白质相互作用网络拓扑结构分析的工作(第叁到第四章)。(1)首先从RCSB pdb数据库随机提取3类(α类、β类、α+β类)蛋白质数据的序列信息,经过Blast处理后,共有90条数据;其次,使用Haffman编码、PseAAc(伪氨基酸)、Haffman编码与PseAAc组合、字符概率与PseAAc组合四种替代模型用于氨基酸序列数字表征。“one against one”和“one against rest”分解策略用于替代模型训练多分类支持向量机。实验结果表明:Haffman编码替代模型分类器的准确率较低,说明模型表征蛋白质结构类信息能力低;采用PseAAc替代模型分类器的准确率较Haffman编码替代模型高;Haffman编码在一定程度上能体现出编码的序列特性,把Haffman编码与PseAAc组合替代模型,分类器的准确率较PseAAc替代模型低;采用字符概率与PseAAc组合替代模型的分类器准确率较高;再次,4种替代模型在“one against rest”分解策略中遇到了预测偏置问题,对正样本为α+β类蛋白质的预测精度低于30%,为了提高模型稳定性,通过对正样本惩罚系数加权,得到的结果表明在PseAAc、字符概率与PseAAc组合两种替代模型中能有效解决偏置问题;然后比较了两种分解策略之间分类器的稳定性,得到“one against rest”分解策略中的分类器经过偏置调整后,更具有推广能力;最后得出结论,在字符概率与PseAAc组合替代模型中使用“one against rest”分解策略训练分类器最优。(2)用复杂网络的概念表达DIP数据库中Giot2003a数据集中涵盖的蛋白质互作网络,计算了基于静态蛋白质互作网络的参数主要有度中心性、介数中心性、子图中心性、特征路径聚集系数等网络拓扑特征。然后根据计算结果,发现蛋白质互作网络具有幂律度分布、无标度、小世界等特性。猜想蛋白质互作网络中有可能包含大量四面体结构,由此提出了一种基于四面体结构的网络模型:底质为层次四面体结构,由底质添加捷径进而形成一组四面体复杂网络簇。再由简单C代码得到不同概率加边的边表,写入R软件得到不同的网络,因为添加捷径时都是由高层向底层加边,所以会形成结点度分布不均匀的现象,计算四面体网络簇的拓扑参数,验证四面体簇为复杂网络,然后将得到的拓扑参数同蛋白质互作网络的极大连通子图的拓扑参数比较,发现度,聚集系数,特征路径等拓扑参数相近,且度分布符合幂律分布。得出结论:由四面体模型得到的复杂网络簇可以仿真蛋白质相互作用网络。(本文来源于《西安电子科技大学》期刊2018-12-01）
相互作用网络论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
残基相互作用网络比对,对于研究蛋白质结构与功能的关系具有重要意义.在基于网络拓扑信息进行网络比对的MAGNA算法基础上,将蛋白质的序列信息(即残基匹配度)引入到其优化函数中,确定拓扑信息和序列信息对比对的影响程度,提出适合于残基相互作用网络比对的SI-MAGNA算法.实验结果表明,SI-MAGNA算法比现有的基于网络拓扑信息的经典比对方法(GRAAL、MI-GRAAL、MAGNA和CytoGEDEVO)具有更高的边正确性(edge correctness,简称EC).最后,使用SI-MAGNA算法对来自不同耐热温度的生物的同源蛋白质进行网络比对和分析,探索蛋白质结构对其热稳定性的影响.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
相互作用网络论文参考文献
[1].季静思,丁彦蕊.残基相互作用网络特征与木聚糖酶耐热性的关系[J].中国生物化学与分子生物学报.2019
[2].陶斯涵,丁彦蕊.引入序列信息的残基相互作用网络比对算法[J].软件学报.2019
[3].王佩恒,张冬雯,许云峰.基于网络层次的蛋白质相互作用网络功能模块检测方法[J].内蒙古科技与经济.2019
[4].肖行行,冀俊忠,杨翠翠.基于烟花算法的蛋白质相互作用网络功能模块检测方法[J].哈尔滨工业大学学报.2019
[5].马原,任路,马贤德,贾连群,陈文娜.基于“心脑并病”抑郁症与心脏病相互作用网络机制[J].中华中医药学刊.2019
[6].王沫沅.基于深度神经网络和集成方法的蛋白质相互作用预测研究[D].吉林大学.2019
[7].安宁波.多层网络上传播动力学与偏好游走的相互作用[D].安徽大学.2019
[8].姚雨.基于深度学习网络的剪接位点及蛋白质相互作用预测方法研究[D].安徽大学.2019
[9].臧传鑫,刘瑞娟,魏峻玉,赵文歌,刘存.基于蛋白质相互作用网络探讨天花粉蛋白对乳腺癌MCF-7/PTX细胞的耐药逆转作用[J].辽宁中医杂志.2019
[10].王晶.基于支持向量机的蛋白质结构类预测及蛋白质相互作用网络拓扑结构分析[D].西安电子科技大学.2018