復(fù)雜網(wǎng)絡(luò)理論和細(xì)胞自動(dòng)機(jī)在生物信息學(xué)中的應(yīng)用研究.pdf

1、陟7|『大學(xué)陟7|l犬學(xué)博士學(xué)位論文作考盈二重i墮L一一完成日期至QQ2生壘旦呈Q旦’、專業(yè)，登塹焦堂——一一授予學(xué)位霞期笙旦旦一四川大學(xué)博士學(xué)位論文復(fù)雜網(wǎng)絡(luò)理論和細(xì)胞自動(dòng)機(jī)在生物信息學(xué)中的應(yīng)用研究學(xué)方式有著直接或間接的相互作用。這些相互作用產(chǎn)生了各種各樣的生物網(wǎng)絡(luò)，例如代謝網(wǎng)絡(luò)，基因調(diào)控網(wǎng)絡(luò)和信號(hào)轉(zhuǎn)導(dǎo)網(wǎng)絡(luò)等等。可以認(rèn)為，所有的生命活動(dòng)都依賴于這些生物網(wǎng)絡(luò)的結(jié)構(gòu)和功能。其中，生物網(wǎng)絡(luò)的構(gòu)建是網(wǎng)絡(luò)靜態(tài)統(tǒng)計(jì)分析、動(dòng)態(tài)分析、重要節(jié)點(diǎn)分析、網(wǎng)絡(luò)

2、調(diào)控策略發(fā)現(xiàn)、數(shù)值實(shí)驗(yàn)和仿真等工作開展的基礎(chǔ)。本文使用簡(jiǎn)單對(duì)象傳輸協(xié)議(SOAP)，從網(wǎng)絡(luò)數(shù)據(jù)庫躚GG提供的網(wǎng)絡(luò)服務(wù)(WebService)獲取細(xì)胞信號(hào)轉(zhuǎn)導(dǎo)數(shù)據(jù)，然后把它們轉(zhuǎn)換成鄰接矩陣，使用相關(guān)矩陣運(yùn)算，最后構(gòu)建了人類的細(xì)胞信號(hào)網(wǎng)絡(luò)的無向圖，一共包括931個(gè)節(jié)點(diǎn)，6798條邊。對(duì)其的靜態(tài)幾何分析結(jié)果表明，它不是一個(gè)隨機(jī)網(wǎng)絡(luò)，而是一個(gè)無尺度網(wǎng)絡(luò)，其度分布符合冪律分布P(K卜K_f，冪指數(shù)^r大約為22。鑒于本文構(gòu)建的細(xì)胞信號(hào)網(wǎng)絡(luò)不是一個(gè)

3、隨機(jī)網(wǎng)絡(luò)，為了搜索其中存在的有意義的社區(qū)結(jié)構(gòu)，我們比較了以層次聚類算法為代表的聚集算法、以GirvanNewman(GN)算法為代表的分離算法和Ouimcra的模擬退火算法。結(jié)果表明，傳統(tǒng)的聚集算法適用范圍最小，可靠程度最低，準(zhǔn)確性也最差，而模擬退火算法在適用范圍、可靠程度和準(zhǔn)確性方面均顯著優(yōu)于其余兩種算法。因此本文選用模擬退火算法研究了細(xì)胞信號(hào)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，并討論了具體社區(qū)結(jié)構(gòu)的生物意義及其在基礎(chǔ)研究和藥物設(shè)計(jì)方面的潛在影響。本文的

4、第二部分使用細(xì)胞自動(dòng)機(jī)構(gòu)建了生物序列的離散模型，對(duì)細(xì)胞信號(hào)網(wǎng)絡(luò)中具有關(guān)鍵作用的跨膜蛋白進(jìn)行了拓?fù)浣Y(jié)構(gòu)預(yù)測(cè)。細(xì)胞自動(dòng)機(jī)是D維空間中一組細(xì)胞單元組成的陣列，每個(gè)細(xì)胞單元處于狀態(tài)空間中的某種狀態(tài)，各細(xì)胞單元下一時(shí)刻的轉(zhuǎn)移狀態(tài)根據(jù)相應(yīng)的鄰域函數(shù)規(guī)則和各時(shí)間階的領(lǐng)域狀態(tài)配置進(jìn)行更新。本文構(gòu)建了一種基于細(xì)胞自動(dòng)機(jī)的新方法用來預(yù)測(cè)跨膜蛋白的拓?fù)浣Y(jié)構(gòu)。首先，根據(jù)a螺旋和B一圓桶類跨膜蛋白的結(jié)構(gòu)特征確定了滑動(dòng)窗口的長度為20個(gè)氨基酸殘基，然后把掃描蛋白質(zhì)

5、序列所得到的片段根據(jù)優(yōu)化的二進(jìn)制編碼規(guī)則轉(zhuǎn)化成Ol序列，再用細(xì)胞自動(dòng)機(jī)來推導(dǎo)偽氨基酸組成；最后，使用擴(kuò)大的協(xié)方差判別算法來預(yù)測(cè)跨膜蛋白的拓?fù)浣Y(jié)構(gòu)。所得結(jié)果表明本方法能夠同時(shí)對(duì)a螺旋和B一圓桶類跨膜蛋白進(jìn)行預(yù)測(cè)，并能在Jackknife交叉驗(yàn)證下取得較高的準(zhǔn)確率，明顯優(yōu)于HMMTOP、TMprcd和PKEDTMBB這3種跨膜蛋白預(yù)測(cè)算法。另外，本方法只需要輸入蛋白質(zhì)的一級(jí)序列，不用額外輸入?yún)?shù)、注釋和序列比對(duì)信息，非常適合于大規(guī)模、高遁量