[发明专利]基于模糊谱聚类的不确定PPI网络功能模块挖掘方法

权利要求书

1.一种基于模糊谱聚类的不确定PPI网络功能模块挖掘方法，其特征在于，包括以下步骤：

构建不确定蛋白质相互作用网络图：去掉蛋白质相互作用数据中的重复相互作用和自相互作用，根据蛋白质相互作用网络图中连接每条边的两个节点的公共邻居节点数，以及所述两个节点度的最小值，利用边聚集系数来测度每一组相互作用，从而构建不确定蛋白质相互作用网络图；

预处理蛋白质相互作用数据：利用流行距离和蛋白质网络的拓扑特性来改进谱聚类算法的相似度度量，分别计算在所述网络图中的节点之间的相似度，形成相似度矩阵，进而采用谱聚类算法完成对所述蛋白质相互作用数据的预处理；

挖掘蛋白质相互作用功能模块：采用DPCS策略选取初始聚类中心，基于所述初始聚类中心，采用模糊C-均值算法不断更新聚类中心和隶属度，进而实现蛋白质相互作用功能模块的挖掘；其中，所述DPCS策略是基于密度的概率中心选取策略；

过滤所述蛋白质相互作用功能模块：利用期望稠密度融合边聚集系数的边期望稠密度来过滤挖掘出的所述蛋白质相互作用功能模块；以及

输出结果：输出预测挖掘出的蛋白质相互作用功能模块。

2.根据权利要求1所述的方法，其特征在于，所述边聚集系数通过下式1计算：

其中，ECC表示边聚集系数，H_c表示节点u和v的公共邻居节点，d_u和d_v分别代表u节点和v节点的度。

3.根据权利要求1或2所述的方法，其特征在于，所述流行距离的计算公式如下式2所示：

其中，FD(b₀,b_s)表示不确定图上任意两个节点b₀,b_s之间的流行距离，R_os表示不确定图上连接两个节点的全部可能的到达路径集合，d(b_k,b_k+1)表示节点b₀和b_s间的欧氏距离，0≤k≤s，ρ(ρ1)表示伸缩因子。

4.根据权利要求3所述的方法，其特征在于，

所述相似度用下式3计算：

FEC(b_i,b_j)＝ECC(b_i,b_j)×FD(b_i,b_j) 式3

其中，FEC(b_i,b_j)表示任意两个节点b_i,b_j之间的相似度，ECC(b_i,b_j)表示节点b_i,b_j的边聚集系数，FD(b_i,b_j)表示节点b_i,b_j之间的流行距离。

5.根据权利要求1所述的方法，其特征在于，采用DPCS策略选取初始聚类中心的步骤包括：

计算数据节点之间的相似度；

基于所述相似度计算样本的概率密度函数；

基于所述概率密度函数获取初始聚类中心。

6.根据权利要求5所述的方法，其特征在于，

所述概率密度函数通过下式4计算：

其中，表示对象z_i处的概率密度函数，r_d表示邻域半径,r_d的数值是N个对象的平均距离度量；

所述邻域半径通过下式5计算：

其中，FEC(z_i,z_j)表示对象z_i,z_j之间的相似度。