2023年全國(guó)碩士研究生考試考研英語(yǔ)一試題真題(含答案詳解+作文范文)_第1頁(yè)
已閱讀1頁(yè),還剩167頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、隨著人類基因組計(jì)劃(HGP)的完成,人類進(jìn)入后基因組時(shí)代。研究也從單純分析基因堿基構(gòu)成,逐漸轉(zhuǎn)向特定功能基因的研究。細(xì)胞是一個(gè)復(fù)雜的非線性系統(tǒng),任何細(xì)胞活動(dòng)都需要多個(gè)基因、多個(gè)蛋白質(zhì)以及多種代謝物共同作用來(lái)完成,僅僅對(duì)單個(gè)基因進(jìn)行分析很難獲得其具體生物學(xué)功能,于是人們逐步開始探索多個(gè)基因、多個(gè)蛋白質(zhì)之間的相互關(guān)系。
  生物網(wǎng)絡(luò)是研究生物分子之間相互關(guān)系的一個(gè)重要工具。它能直觀反映基因、蛋白質(zhì)、代謝物以及環(huán)境之間相互作用的規(guī)律,對(duì)

2、在分子水平上認(rèn)識(shí)基因和蛋白質(zhì)功能具有重要作用。同時(shí),也能幫助揭示新陳代謝、信號(hào)轉(zhuǎn)導(dǎo)、細(xì)胞分化、細(xì)胞生成和凋亡等細(xì)胞活動(dòng)規(guī)律,為下一步進(jìn)行新藥開發(fā)、疾病預(yù)防和治療提供重要理論依據(jù)。
  生物網(wǎng)絡(luò)的構(gòu)建十分困難,傳統(tǒng)上利用人工方法通過(guò)生物實(shí)驗(yàn)數(shù)據(jù)進(jìn)行,這種方法不但費(fèi)時(shí)費(fèi)力,效率也很低。隨著生物技術(shù)特別是高通量技術(shù)發(fā)展,大量生物數(shù)據(jù)被測(cè)定出來(lái),人工方法也越來(lái)越不能適應(yīng)生物數(shù)據(jù)的快速增長(zhǎng),因此,人們開始探索使用計(jì)算方法來(lái)自動(dòng)完成生物網(wǎng)絡(luò)的

3、構(gòu)建。
  本文就是從這個(gè)思路出發(fā),利用計(jì)算智能的方法,通過(guò)反向工程學(xué)原理,對(duì)生物網(wǎng)絡(luò)進(jìn)行自動(dòng)構(gòu)建。對(duì)于生物網(wǎng)絡(luò)的構(gòu)建,本文分為動(dòng)態(tài)網(wǎng)絡(luò)的構(gòu)建和靜態(tài)網(wǎng)絡(luò)的構(gòu)建兩部分。動(dòng)態(tài)網(wǎng)絡(luò)的構(gòu)建是指基因調(diào)控網(wǎng)絡(luò)(GRN)的構(gòu)建,是通過(guò)算法學(xué)習(xí)基因表達(dá)的時(shí)間序列數(shù)據(jù),自動(dòng)構(gòu)建基因調(diào)控網(wǎng)絡(luò)的動(dòng)態(tài)調(diào)控模型,進(jìn)而分析其動(dòng)力學(xué)特性。靜態(tài)網(wǎng)絡(luò)的構(gòu)建是指蛋白質(zhì)相互作用網(wǎng)絡(luò)的構(gòu)建,是通過(guò)算法學(xué)習(xí)蛋白質(zhì)序列數(shù)據(jù),建立蛋白質(zhì)相互作用的預(yù)測(cè)模型,進(jìn)而確定網(wǎng)絡(luò)中的邊(

4、即存在相互作用的蛋白質(zhì)對(duì))。對(duì)于這兩個(gè)問(wèn)題的研究,本文主要?jiǎng)?chuàng)新之處在于:
  1、提出使用基于質(zhì)量作用定律的模型描述基因調(diào)控網(wǎng)絡(luò)。
  描述基因調(diào)控網(wǎng)絡(luò)的模型有很多,微分方程模型由于能反映基因調(diào)控的動(dòng)力學(xué)特性而廣受歡迎。傳統(tǒng)的微分方程模型大都基于S-System模型,但該模型僅是一個(gè)經(jīng)典數(shù)學(xué)模型,其參數(shù)沒(méi)有具體生物學(xué)含義,因此即使模型被建立起來(lái)也難以對(duì)其進(jìn)行解釋。為解決這個(gè)問(wèn)題,本文提出基于質(zhì)量作用定律的微分方程模型(MA)

5、。MA模型基于經(jīng)典生化反應(yīng)定律——質(zhì)量作用定律,方程推導(dǎo)充分考慮基因調(diào)控的生物機(jī)制,能更精確反映基因相互作用的真實(shí)情況。此外,該模型的所有參數(shù)都可解釋,有利于人們進(jìn)一步分析基因調(diào)控背后的規(guī)律。
  2、提出基于質(zhì)量作用模型的基因調(diào)控網(wǎng)絡(luò)自動(dòng)構(gòu)建算法。
  MA模型雖然具有參數(shù)生物學(xué)含義明確、生物理論基礎(chǔ)扎實(shí)的特點(diǎn),但如何通過(guò)基因表達(dá)的時(shí)間序列數(shù)據(jù),自動(dòng)構(gòu)建該模型仍是一個(gè)需要解決的問(wèn)題。本文提出基于種群的增量學(xué)習(xí)算法(PBIL

6、)和三角法差分進(jìn)化算法(TDE)的混合算法,用于MA模型的構(gòu)建。該算法分兩步進(jìn)行,第一步是利用改進(jìn)的PBIL算法推導(dǎo)基因之間的相互作用(“激活”、“抑制”或“無(wú)調(diào)控”),構(gòu)建出MA模型的結(jié)構(gòu)。第二步是在第一步的基礎(chǔ)上,利用TDE算法優(yōu)化MA模型的參數(shù),使計(jì)算出的數(shù)據(jù)與真實(shí)生物實(shí)驗(yàn)數(shù)據(jù)在最大程度上擬合。為驗(yàn)證該算法,實(shí)驗(yàn)在人工合成網(wǎng)絡(luò)、酵母菌的IRMA合成網(wǎng)絡(luò)、簡(jiǎn)化的IRMA合成網(wǎng)絡(luò)、大腸桿菌的SOS DNA修復(fù)網(wǎng)絡(luò)上進(jìn)行,結(jié)果表明,該方

7、法不僅能夠完成基因調(diào)控網(wǎng)絡(luò)MA模型的自動(dòng)構(gòu)建,而且與其他方法相比,該方法構(gòu)建的網(wǎng)絡(luò)也更加準(zhǔn)確。
  3、提出使用基于時(shí)間延遲的質(zhì)量作用模型(TDMA)描述基因調(diào)控網(wǎng)絡(luò)。
  基因調(diào)控過(guò)程并不是一個(gè)瞬時(shí)完成的過(guò)程,期間涉及到很多化學(xué)反應(yīng)環(huán)節(jié),而這些環(huán)節(jié)都需要消耗一定的時(shí)間。傳統(tǒng)的微分方程模型大都不考慮時(shí)間延遲,這顯然是不符合事實(shí)的。為解決這個(gè)問(wèn)題,本文在MA模型的基礎(chǔ)上引入了時(shí)間延遲,提出TDMA模型,使用時(shí)滯微分方程去替代原

8、來(lái)的常微分方程,這樣可以更加精細(xì)的刻畫基因調(diào)控的真實(shí)過(guò)程。
  4、提出基于延遲質(zhì)量作用模型的基因調(diào)控網(wǎng)絡(luò)并行化自動(dòng)構(gòu)建算法。
  對(duì)TDMA模型的基因調(diào)控網(wǎng)絡(luò)自動(dòng)構(gòu)建算法仍采用PBIL和TDE的混合算法。但由于時(shí)間參數(shù)的引入造成了計(jì)算復(fù)雜度提升,為解決這個(gè)問(wèn)題,本文利用消息傳遞接口模型(MPI),將上述網(wǎng)絡(luò)自動(dòng)構(gòu)建算法進(jìn)行并行化改進(jìn),使該算法能充分利用主流處理器的多個(gè)核心,實(shí)現(xiàn)算法加速。實(shí)驗(yàn)在三個(gè)基因調(diào)控網(wǎng)絡(luò)模體協(xié)調(diào)-1型

9、前饋環(huán)、非協(xié)調(diào)-1型前饋環(huán)、雙扇網(wǎng)絡(luò),以及酵母菌的簡(jiǎn)化IRMA合成網(wǎng)絡(luò)中進(jìn)行,結(jié)果表明,該方法不僅能夠成功的推導(dǎo)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù),也能夠成功推導(dǎo)出基因調(diào)控延遲。
  5、提出基于集成概率神經(jīng)網(wǎng)絡(luò)的蛋白質(zhì)相互作用預(yù)測(cè)算法。
  構(gòu)建蛋白質(zhì)相互作用網(wǎng)絡(luò)的一個(gè)重要問(wèn)題就是尋找存在相互作用的蛋白質(zhì)對(duì),即預(yù)測(cè)蛋白質(zhì)之間是否存在相互作用。蛋白質(zhì)相互作用預(yù)測(cè)中最常用的方法是基于蛋白質(zhì)序列的方法。但由于蛋白質(zhì)序列十分簡(jiǎn)單,如何選擇合適的特征

10、來(lái)表示蛋白質(zhì)序列就顯得至關(guān)重要。以前的方法都是選擇單一的較優(yōu)特征或者選擇多個(gè)特征形成組合特征,然后輸入預(yù)測(cè)模型計(jì)算。然而,選擇單一特征往往不能全面反映蛋白質(zhì)的特性,而選擇多個(gè)特征雖然比較全面,但也存在計(jì)算量大,多個(gè)特征相互干擾的問(wèn)題。為了解決這個(gè)問(wèn)題,本文提出基于集成概率神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法。該方法首先利用11種不同的蛋白質(zhì)理化性質(zhì)和自協(xié)方差(AC)方法對(duì)蛋白質(zhì)序列進(jìn)行特征提取,獲得11個(gè)不同的特征向量。然后,利用11個(gè)不同的概率神經(jīng)網(wǎng)絡(luò)

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論