• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

一种蛋白质复合体模块度函数及其识别算法

郭茂祖, 代启国, 徐立秋, 刘晓燕

郭茂祖, 代启国, 徐立秋, 刘晓燕. 一种蛋白质复合体模块度函数及其识别算法[J]. 计算机研究与发展, 2014, 51(10): 2178-2186. DOI: 10.7544/issn1000-1239.2014.20130538
引用本文: 郭茂祖, 代启国, 徐立秋, 刘晓燕. 一种蛋白质复合体模块度函数及其识别算法[J]. 计算机研究与发展, 2014, 51(10): 2178-2186. DOI: 10.7544/issn1000-1239.2014.20130538
shu
Guo Maozu, Dai Qiguo, Xu Liqiu, Liu Xiaoyan. On Protein Complexes Identifying Algorithm Based on the Novel Modularity Function[J]. Journal of Computer Research and Development, 2014, 51(10): 2178-2186. DOI: 10.7544/issn1000-1239.2014.20130538
Citation: Guo Maozu, Dai Qiguo, Xu Liqiu, Liu Xiaoyan. On Protein Complexes Identifying Algorithm Based on the Novel Modularity Function[J]. Journal of Computer Research and Development, 2014, 51(10): 2178-2186. DOI: 10.7544/issn1000-1239.2014.20130538
shu
郭茂祖, 代启国, 徐立秋, 刘晓燕. 一种蛋白质复合体模块度函数及其识别算法[J]. 计算机研究与发展, 2014, 51(10): 2178-2186. CSTR: 32373.14.issn1000-1239.2014.20130538
引用本文: 郭茂祖, 代启国, 徐立秋, 刘晓燕. 一种蛋白质复合体模块度函数及其识别算法[J]. 计算机研究与发展, 2014, 51(10): 2178-2186. CSTR: 32373.14.issn1000-1239.2014.20130538
shu
Guo Maozu, Dai Qiguo, Xu Liqiu, Liu Xiaoyan. On Protein Complexes Identifying Algorithm Based on the Novel Modularity Function[J]. Journal of Computer Research and Development, 2014, 51(10): 2178-2186. CSTR: 32373.14.issn1000-1239.2014.20130538
Citation: Guo Maozu, Dai Qiguo, Xu Liqiu, Liu Xiaoyan. On Protein Complexes Identifying Algorithm Based on the Novel Modularity Function[J]. Journal of Computer Research and Development, 2014, 51(10): 2178-2186. CSTR: 32373.14.issn1000-1239.2014.20130538
shu

一种蛋白质复合体模块度函数及其识别算法

  • (哈尔滨工业大学计算机科学与技术学院 哈尔滨 150001) (maozuguo@hit.edu.cn)

基金项目: 国家自然科学基金项目(60975035,61273291)；山西省回国留学人员科研资助项目(2012-008)；中国民航大学省部级科研机构开放基金项目(CAAC-ITRB-201305)
详细信息

  • 中图分类号: TP18; TP391; TP3-05

On Protein Complexes Identifying Algorithm Based on the Novel Modularity Function

  • (School of Computer Science and Technology, Harbin Institute of Technology, Harbin 150001)

摘要

    摘要
  • 摘要: 蛋白质复合体对于研究细胞活动具有重要意义.随着新的生物实验技术的不断出现，产生了大量的蛋白质相互作用网络.通过对蛋白质相互作用网络进行聚类识别蛋白质复合体是当前研究热点.然而，目前大多数蛋白质复合体识别算法的性能不够理想.为此，提出了蛋白质复合体模块度函数(PQ)，并在此基础上提出了基于蛋白质复合体模块度函数的模块合并(based on protein complexes modularity function for merging modules, BMM)算法.BMM算法首先识别网络中一些稠密子图作为初始模块，然后依据PQ函数对这些初始模块进行合并，最终得到了质量较高的蛋白质复合体.将识别出的复合体分别与2种已知的蛋白质复合体数据集进行比对，结果表明BMM算法具有很好的识别性能.此外，与其他最新的识别算法相比，BMM算法的识别准确率较高.
    Abstract: Proteins often interact with each other to form complexes. It is very significant for understanding the activities in cell to carry out their biological functions. In recent years, with the rapid development of new biological experiment technologies, a large amount of protein-protein interaction (PPI) networks are generated. Identifying protein complexes by clustering proteins in PPI networks is hot spot in current bioinformatics research. Many clustering methods, which are mainly based on graph partition or the technologies of community detection in social network, have been proposed to recognize the protein complexes in PPI networks in last decade. However, the performances of most of previous developed detecting methods are not ideal. They cannot identify the overlapping complexes, but according to the biological study found, protein complexes are often overlapping. Therefore, in this paper, a protein complexes modularity function (Q function), namely PQ function, is proposed to identify the overlapping complexes from PPI networks. Based on PQ, a new algorithm for identifying protein complexes BMM (the algorithm based on protein complexes modularity function for merging modules). Firstly, BMM algorithm finds some dense sub-graphs as initial modules. Then, these initial modules are merged by maximizing the modularity function PQ. Finally, several high-quality protein complexes are found. Comparing these protein complexes with two known protein complexes datasets, the results suggest that the performance of BMM is excellent. In addition, compared with other latest algorithms, BMM is more accurate.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(52)

  • 期刊类型引用(20)

    1. 徐宁，李静秋，王岚君，刘安安. 时序特性引导下的谣言事件检测方法评测. 南京大学学报(自然科学). 2025(01): 71-82 . 百度学术
    2. 张元园，袁嘉霁. 基于社交媒体的谣言检测研究综述. 数据通信. 2024(01): 28-33 . 百度学术
    3. 廖劲智，赵和伟，连小童，纪文亮，石海明，赵翔. 基于对比图学习的跨文档虚假信息检测. 计算机科学. 2024(03): 14-19 . 百度学术
    4. 凤丽洲，刘馥榕，王友卫. 基于图卷积网络和注意力机制的谣言检测方法. 数据分析与知识发现. 2024(04): 125-136 . 百度学术
    5. 王晰巍，孙哲，姜奕冰，李玥琪. 社交媒体网络辟谣回音室效应分析模型及实验研究. 现代情报. 2024(10): 3-17 . 百度学术
    6. 朱奕，王根生，金文文，黄学坚，李胜. 基于文本语义增强和评论立场加权的网络谣言检测. 计算机科学与探索. 2024(12): 3311-3323 . 百度学术
    7. 甘臣权，付祥，冯庆东，祝清意. 基于公共情感特征压缩与融合的轻量级图文情感分析模型. 计算机研究与发展. 2023(05): 1099-1110 . 本站查看
    8. 聂大成，汪明达，刘世钰，杨慧，张翔，邱鸿杰. 在线社会网络虚假信息检测关键技术研究综述. 通信技术. 2023(04): 391-399 . 百度学术
    9. 李卓远，李军. 基于对比学习的多模态注意力网络虚假信息检测方法. 中国科技论文. 2023(11): 1192-1197 . 百度学术
    10. 强子珊，顾益军. 基于多模态异质图的社交媒体谣言检测模型. 数据分析与知识发现. 2023(11): 68-78 . 百度学术
    11. 陈志毅，隋杰. 基于DeepFM和卷积神经网络的集成式多模态谣言检测方法. 计算机科学. 2022(01): 101-107 . 百度学术
    12. 陆恒杨，范晨悠，吴小俊. 面向网络社交媒体的少样本新冠谣言检测. 中文信息学报. 2022(01): 135-144+172 . 百度学术
    13. 唐樾，马静. 基于增强对抗网络和多模态融合的谣言检测方法. 情报科学. 2022(06): 108-114+131 . 百度学术
    14. 王壮，隋杰. 基于多级融合的多模态谣言检测模型. 计算机工程与设计. 2022(06): 1756-1761 . 百度学术
    15. 吴诗苑，董庆兴，宋志君，张斌. 社交媒体中错误信息的检测方法研究述评. 情报学报. 2022(06): 651-661 . 百度学术
    16. 范伟，刘勇. 基于时空Transformer的社交网络信息传播预测. 计算机研究与发展. 2022(08): 1757-1769 . 本站查看
    17. 姜梦函，李邵梅，吴子仪，张建朋. 多模态特征融合的中文谣言检测. 信息工程大学学报. 2022(04): 485-490 . 百度学术
    18. 孟佳娜，王晓培，李婷，刘爽，赵迪. 基于对抗神经网络的跨模态谣言检测. 数据分析与知识发现. 2022(12): 32-42 . 百度学术
    19. 徐铭达，张子柯，许小可. 基于模体度的社交网络虚假信息传播机制研究. 计算机研究与发展. 2021(07): 1425-1435 . 本站查看
    20. 胡斗，卫玲蔚，周薇，淮晓永，韩冀中，虎嵩林. 一种基于多关系传播树的谣言检测方法. 计算机研究与发展. 2021(07): 1395-1411 . 本站查看

    其他类型引用(32)

    • 资源附件(0)
计量
  • 文章访问数:  1353
  • HTML全文浏览量:  0
  • PDF下载量:  648
  • 被引次数: 52
出版历程
  • 发布日期:  2014-09-30

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(52)
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计