基于監(jiān)督學習的人類蛋白質網絡復合物識別.pdf

1、蛋白質復合物是功能相似的蛋白質分子通過聚合作用形成的大分子結構，并以復合物的形式在生物體中發(fā)揮作用，在理解生物體的生命機制和原理等方面具有重大意義。隨著人類基因組學研究和高通量技術的發(fā)展，海量的蛋白質關系數據也隨之產生。這些蛋白質關系構成多樣的蛋白質關系網絡，如酵母菌蛋白質關系網絡、人類蛋白質關系網絡、病菌蛋白質關系網絡等。這些關系網絡為復合物識別的研究提供了很好的數據支持，但同時多數據中存在的不可靠關系也給復合物識別帶來了較大的挑戰(zhàn)。

2、
　　本文首先介紹了蛋白質復合物識別算法的研究背景與意義、國內外相關學者的研究現(xiàn)狀等，在此基礎上對蛋白質復合物識別任務中存在的問題進行了總結：如何在人類蛋白質網絡上進行有效的復合物識別，并揭示蛋白質復合物與疾病間所存在的關系；如何為不同的蛋白質關系網絡選擇合適的復合物識別算法來獲得較高的性能；如何融合更多的特征到復合物識別任務中，以進一步提升算法的性能。這些問題的存在限制了復合物識別算法的發(fā)展。
　　接著，為了在人類蛋白質關

3、系網絡上進行有效的復合物識別，本文改進了已有的基于監(jiān)督學習的復合物識別算法。改進的算法充分利用了網絡的拓撲結構性，并融合了基因本體的生物特性，從而提升復合物識別算法的性能。此外，為了更好地揭示蛋白質復合物與疾病間的關系，本文利用蛋白質關系抽取系統(tǒng)從生物文獻中抽取與特定疾病相關的疾病蛋白質關系，并融合到原始網絡中，以提高疾病復合物識別的實驗效果。同時通過分析對應的疾病復合物，來加深人們對相應疾病的理解。
　　隨后，為了快速對不同蛋白

4、質網絡的復合物識別選擇合適的算法，本文針對酵母菌蛋白質網絡和人類蛋白質關系網絡展開研究，并探索了已有的復合物算法在不同網絡上的適應程度。此外，為了揭示不同特征在不同網絡上的作用強度，本文將已有算法的回歸模型和隨機森林模型進行對比，從而為進行復合物識別算法的研究提供有益借鑒。
　　最后，已有的復合物識別算法全都是基于人工的特征。為了衡量自動學習特征在復合物識別任務中的作用，本文將基于點向量的學習方法融合到已有的復合物識別算法中。通過