蛋白质网络简介

李坤2015.1.8蛋白质相互作用网络

学习汇报汇报内容1、ELM流程介绍2、3、4、ACO流程介绍MCL流程介绍DIP介绍ExtremeLearningMachines（ELM）该SLFN包括三层：输入层、隐含层和输出层假设有N个任意的样本(Xi,Yi)，其中对于一个有N’个隐层节点的单隐层神经网络可以表示为:其中，g(x)为激活函数，Wi为输入权重，βi为输出权重，bi是第个i隐层单元的偏置。Wi*Xi表示Wi和Xi的内积。ExtremeLearningMachines（ELM）用矩阵表示如下：一旦输入权重Wi和隐层的偏置bi被随机确定，隐层的输出矩阵H就被唯一确定。训练单隐层神经网络可以转化为求解一个线性系统：Hβ=Y并且输出权重可以被确定：

其中，是矩阵H的Moore-Penrose广义逆。且可证明求得的解的范数是最小的并且唯一。蚁群算法模仿蚂蚁觅食的过程，寻找网络中初始节点到终端节点的最优路径。该过程蚂蚁必须经过最优路径上的每个节点一次，经过多次迭代保证路径最优。AntColonyOptimization（ACO）1.在初始状态下，一群蚂蚁外出，此时没有信息素，那么各自会随机的选择一条路径。2.在下一个状态，每只蚂蚁到达了不同的点，从初始点到这些点之间留下了信息素，蚂蚁继续走，已经到达目标的蚂蚁开始返回，与此同时，下一批蚂蚁出动，它们都会按照各条路径上信息素的多少选择路线(selection)，更倾向于选择信息素多的路径走（当然也有随机性）。3.又到了再下一个状态，刚刚没有蚂蚁经过的路线上的信息素不同程度的挥发掉了(evaporation)，而刚刚经过了蚂蚁的路线信息素增强(reinforcement)。然后又出动一批蚂蚁，重复第2个步骤。AntColonyOptimization（ACO）过程：1、初始化数据为邻接矩阵2、将邻接矩阵转化为距离矩阵3、以距离矩阵作为输入，利用ACO寻找最优路径AntColonyOptimization（ACO）AntColonyOptimization（ACO）AntColonyOptimization（ACO）AntColonyOptimization（ACO）MarkovClusteringAlgorithm（MCL）MCL算法(MarkovClusterAlgorithm)是一种快速、简单、易扩展的聚类算法，它可以应用于有权有向图，其核心思想是模拟图中的随机游走过程．所依据的理论是“在图G中的随机游走。如果它访问图G的一个稠密子图，除非子图中的大部分节点都被访问过，否则不会走出该稠密子图”．2步操作：）蛋白相互作用网络蛋白相互作用网络

考虑到PPIN的复杂性，研究人员往往从多种方向和视角来研究某一生物所有的蛋白质相互作用。酵母蛋白质相互作用联络图人蛋白质相互作用联络图整体系统部分单体a：为全面了解某一生物功能的机理，研究并确定PPIN中两个节点之间相互作用的边是需要解决的第一个重要问题，这被称为小规模实验。b：研究PPIN的拓扑结构和规模，对于了解该网络的全局性能是非常重要的。c：研究PPIN中蛋白质复合体是至关重要的。一些蛋白质可与其他多个蛋白质结合组成蛋白质复合体。通常这些复合体可以组成一个稳定的单位，在一定时间内不会发生重大变化。但也有另一些高度动态变化的复合体可导致细胞状态和功能的改变。d：生物体内的信号转导路径、代谢路径和有关的细胞过程是构建PPIN的骨干。要了解细胞，研究和建立上述路径模型也是至关重要的。在许多信号转导和代谢路径中都有蛋白质相互作用。e：可根据蛋白质相互作用的关系来预测蛋白质的功能。预测蛋白质功能是目前计算生物学的一个最重要的任务。利用数据模型和计算方法，可以直接从蛋白质序列预测PPIN的结构、功能及其动力学机制。蛋白质很少单独参与生命过程，而是通过不同蛋白质之间的物理相互作用形成大的分子结构——蛋白质复合体(proteincomplex)。复合体是蛋白质执行其功能的主要形式，是完成细胞中重要活动的基本分子组成形式。作为生物检测技术的补充，发展准确的蛋白质复合体计算识别方法是生物信息学目前研究热点问题之一。从蛋白质网络识别复合体的基本假设是，网络具有模块性并且网络中的模块与蛋白质复合体有密切关系。蛋白质复合体一般是在网络中对应连接稠密的子图结构。通过挖掘蛋白质网络中特定模块结构是识别蛋白质复合体的一个重要研究方向。依据