[发明专利]一种基于语义密度的蛋白质网络复合物识别方法

说明书

技术领域

本发明属于数据挖掘方法技术领域，涉及一种基于语义密度的蛋白质网络复合物识别方法。

背景技术

关于复杂网络的实证研究以及理论模拟已经有很长的历史，已提出了许多源于统计物理学以及应用数学的相关技术和方法。系统网络化的理念也已成功地应用于分子生物学的相关研究。在生物系统中的蛋白质彼此之间相互作用以实现各种各样的分子生物功能，这些相互作用被简称为PPIs(Protein-Protein Interactions)。一个由蛋白质以及相互作用组成的生物系统可以形式化地描绘为一个无向图，也就是蛋白质相互作用网络(PPI networks)，简称蛋白质网络。在蛋白质网络中，每个节点代表一个蛋白质，边代表蛋白质之间的相互作用。通过对蛋白质网络的分析，研究人员可以进一步了解分子生物系统的结构和特性。例如，蛋白质复合物的识别和蛋白质关键性的评估。

在特定的时间、地点具有相同分子功能的蛋白质，如果它们之间存在着较多的相互作用，则可以认为这些蛋白质组成了一个生物分子，即蛋白质复合物(Protein Complex)。过去，蛋白质复合物的发现主要是依靠生物化学实验，例如亲和纯化后的质谱分析(Affinity Purification followed by Mass Spectrometry，AP/MS)。然而，大部分实验方法不是十分可靠的，而且效率较低。近几年来，许多基于聚类技术的数据挖掘方法被提出并成功地应用于蛋白质复合物的识别。这些方法可以在蛋白质相互作用网络中识别出众多以往通过实验才能发现的蛋白质复合物。根据不同的特性，这些聚类方法可以分为：层次聚类(Hierarchical Clustering)，目标函数聚类(Objective Function Clustering)以及密度聚类(Density-based Clustering)。

层次级聚类技术已被广泛地应用于分析各种类型的复杂网络，例如在线社会网络和蛋白质相互作用网络。这类方法的主要思想是依据网络中相连节点之间的相似性将网络分为若干个子网络。层次聚类可以进一步分为：凝聚型(agglomerative)和分裂型(divisive)。最著名的分裂类方法是GN算法，而最具代表性的凝聚类方法是CNM算法。

目标函数聚类方法和密度聚类方法都是基于图划分的技术 (graphical partitions)。前者通过优化目标函数对图进行划分，后者基于网络的拓扑特性确定密度最大的子图，例如派系(clique)。著名的RNSC算法就是通过最优化一个特定的费用函数来识别蛋白质相互作用网络中的复合物。近年来，许多类似的多目标方法也已经被提出，它们大多用进化计算的方法解决多目标优化的问题，例如遗传算法和萤火虫算法。RANCoC是一种共聚类方法用于在蛋白质相互作用网络中搜索稠密子图。给定一个蛋白质相互作用网络对应的无权重图，一个稠密子图被定义为一个具有较高质量的子矩阵。RANCoC 本质上是通过质量函数的最优化来发现稠密子图，这需要满足若干条件。此外，一种新的启发式方法被RANCoC应用于防止局部最优化。

一般认为，一个稠密子图应该具有较为稠密的内部连接边，即子图内部大部分节点之间都有连接边。一个子图越稠密，越有可能是社会网络中的一个社团或者蛋白质相互作用网络中的复合物。基于密度的方法的目标就是发现图中稠密的区域，并将连通的稠密区域作为稠密子图。为了定量地计算稠密的程度，各种方法对于稠密有着不同的定义。经典的MCODE算法采用k-核心(k-core)和核心聚集系数来发现复合物。k-核心是一个子图，其中每一个节点的度都大于或者等于k。k最大的k-核心就被认为是密度最大的子图。另一个著名的稠密子图的定义是派系(clique)。在一个派系中所有节点彼此之间都有边相连。两个有k个节点的派系可以被认为是彼此邻接的，如果它们包含有k-1个共同节点。一个k派系社团就是有多个邻接的k派系组成的集合。DME算法采用的伪派系(Pseudo Cliques)是对派系的延伸，通过从派系中移除一定数量的边而得到的。一个伪派系是一个子图，其中边的数量略少于一个节点数相同的派系，比例应大于一个给定的阈值。此外，还有许多其他类型的方法用于发现稠密子图，例如MCL算法采用的流仿真(flow simulation)。