發(fā)布時間：2021-03-23 12:20

　　人類基因組測序的完成讓蛋白質(zhì)組學(xué)研究成為了生命科學(xué)的重要領(lǐng)域之一。蛋白質(zhì)作用參與了人體的各個生命活動,例如遺傳物質(zhì)復(fù)制、基因表達(dá)控制、代謝等活動都依賴于蛋白質(zhì)-蛋白質(zhì)相互作用（PPI）。因此,對PPI網(wǎng)絡(luò)的研究有助于人們系統(tǒng)地了解其多樣的生物學(xué)過程,PPI網(wǎng)絡(luò)在后基因組時代受到越來越多的關(guān)注。在如今科技的發(fā)展趨勢下,高通量技術(shù)也在不斷完善中,得益于高通量技術(shù)的發(fā)展提升,越來越多的PPI數(shù)據(jù)能夠被收集起來。然而盡管其中部分蛋白質(zhì)的功能已經(jīng)被加以標(biāo)注,但未被標(biāo)注功能的蛋白質(zhì)數(shù)目也隨著不斷被收集的PPI網(wǎng)絡(luò)數(shù)據(jù)而日漸擴(kuò)大。因此如何能夠科學(xué)高效的標(biāo)注蛋白質(zhì)功能成為生物課題研究中的一個重點內(nèi)容。在目前已經(jīng)被收集的蛋白質(zhì)數(shù)據(jù)中,有相當(dāng)大一部分的蛋白質(zhì)的特征信息已經(jīng)明確,而更多的是僅僅存在于相互作用網(wǎng)絡(luò)中的蛋白質(zhì)數(shù)據(jù),它們沒有其他附加的特征信息來幫助預(yù)測功能。對于僅僅存在于相互作用網(wǎng)絡(luò)中沒有其他特征信息的蛋白質(zhì),我們無法直接用分類的方法去預(yù)測它們的功能,卻可以考慮用網(wǎng)絡(luò)嵌入的方法學(xué)習(xí)出PPI網(wǎng)絡(luò)中每個蛋白質(zhì)數(shù)據(jù)點的低維表示,并以此作為蛋白質(zhì)的特征來預(yù)測蛋白質(zhì)功能。而那些具有特征信息的蛋白質(zhì),我們可以... 

【文章來源】：安徽大學(xué)安徽省 211工程院校

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

利用邊緣介數(shù)對原始PPI網(wǎng)絡(luò)進(jìn)行加權(quán)Fig3.1weighttheoriginalPPInetworkwithedgebetweenness

第三章基于網(wǎng)絡(luò)嵌入和特征選擇的蛋白質(zhì)功能預(yù)測22（1）算法收斂性分析：這一部分用實驗結(jié)果證實了目標(biāo)函數(shù)值在優(yōu)化過程中不斷收斂直到趨于穩(wěn)定，如圖3.2所示。圖3.2（a）展示了收斂過程中目標(biāo)函數(shù)值的變化趨勢。此外，隨著迭代次數(shù)的平均進(jìn)動如圖3.2（b）所示。（a）（b）圖3.2算法目標(biāo)函數(shù)收斂性分析Fig3.2Convergenceanalysisoftheobjectivefunctionofthealgorithm（2）PPI網(wǎng)絡(luò)的加權(quán)低維嵌入表示效果分析：在這一部分，我們將加權(quán)PPI網(wǎng)絡(luò)低維嵌入的數(shù)據(jù)重構(gòu)結(jié)果與原始PPI數(shù)據(jù)進(jìn)行比較。在這里，如3.31章節(jié)內(nèi)容所述，我們將PPI網(wǎng)絡(luò)的原始二分鄰接矩陣和權(quán)值鄰接矩陣嵌入到相同的維度空間中，實驗結(jié)果在圖3.3中給出。顯然，與直接將PPI網(wǎng)絡(luò)的原始二分鄰接矩陣相比，使用權(quán)值鄰接矩陣來學(xué)習(xí)網(wǎng)絡(luò)低維表示的殘差更校結(jié)果表明，邊介數(shù)在保持PPI網(wǎng)絡(luò)結(jié)構(gòu)的有效性，這充分體現(xiàn)了我們的嵌入策略的優(yōu)越性。并且，在圖3.4中，利用邊介數(shù)構(gòu)造權(quán)值鄰接矩陣后學(xué)習(xí)的PPI網(wǎng)絡(luò)低維表示（圖3.4（b））明顯比二分鄰接矩陣的低維嵌入結(jié)果更加接近（圖3.4（a）），這更加證明了使用邊介數(shù)加權(quán)的有效性。

安徽大學(xué)碩士學(xué)位論文23圖3.3兩種不同加權(quán)PPI網(wǎng)絡(luò)嵌入表示的殘差Fig3.3ResidualoftwodifferentweightedPPInetworkembeddingrepresentations圖3.4兩種不同加權(quán)PPI網(wǎng)絡(luò)的低維分布Fig3.4Low-dimensionaldistributionsoftwodifferentweightedPPInetworks（3）算法準(zhǔn)確性的比較實驗結(jié)果分析：在這一部分中，我們將所提出的多標(biāo)簽分類模型與目前最先進(jìn)的幾種用于蛋白質(zhì)功能預(yù)測的多標(biāo)簽分類方法的性能進(jìn)行了比較。我們選擇的比較方法如下所述：BP-MLL[39]：這個方法是Zhang等人提出的一個用于多標(biāo)簽學(xué)習(xí)的反向傳播神經(jīng)網(wǎng)絡(luò)算法，它是由流行的反向傳播算法，通過引入一個新的誤差函數(shù)去捕獲多標(biāo)簽學(xué)習(xí)的特征。ML-RBF[40]：此方法是在廣泛使用的RBF方法的基礎(chǔ)上，提出的一種新的多標(biāo)簽神

【參考文獻(xiàn)】：
碩士論文
[1]基于流形學(xué)習(xí)的蛋白質(zhì)功能預(yù)測與優(yōu)化[D]. 梁華東.安徽大學(xué) 2017



本文編號：3095781