[发明专利]基于分治整合策略的成对蛋白质相互作用网络比对方法

说明书

本发明公开了一种基于分治整合策略的成对蛋白质相互作用网络比对方法，包括：步骤1：读取源网络和目标网络及BLAST相似性文件；步骤2：采用基于结点和路径相结合的方法分别计算两个网络中结点的相似性得分，结合所述相似性得分分别对两个网络进行模块划分；步骤3：获取同源蛋白对，根据同源蛋白对和BLAST相似性分别计算来自不同网络模块间的相似性；根据相似性将来自不同网络的模块进行一对一匹配。本发明的有益效果：使用基于结点和基于路径的相似性计算方法，代替自相似性文件，解决了对自相似性文件的依赖问题。

技术领域

本发明涉及蛋白质相互作用网络比对领域，具体涉及一种基于分治整合策略的成对蛋白质相互作用网络比对方法。

背景技术

随着生物信息学的发展,人们研究集中在蛋白质和DNA等生物大分子.蛋白质分子在生物体内执行着各项重要任务,而蛋白质相互作用是维持细胞结构和功能的基础,因此对蛋白质相互作用网络的研究具有重要意义.其中一类很重要的研究工作就是对蛋白质相互作用网络进行比对分析，通过网络比对可进行蛋白质功能预测以及保守功能模块的挖掘等。

传统技术存在以下技术问题：

“SPINAL:scalable protein interaction network aligment”(期刊出处：Bioinformatics.2013,4(29):917–924)算法使用一种由粗粒度和细粒度步骤组成的双通道比对算法。粗粒度阶段通过考虑在前一次迭代中计算出的与相邻节点匹配的置信度，迭代地改进每对节点估计匹配置信度的矩阵P。P收敛后开始细粒度阶段，该阶段使用种子-扩展算法来构造比对。此外，在种子-扩展过程的每次迭代中，都执行局部搜索，以直接增加保守边的数量。这种算法存在的问题：过多的考虑拓扑信息，导致最终比对的生物功能质量不高。

“ModuleAlign:module-based global alignment ofprotein-proteininteraction networks”(期刊出处：Bioinformatics,2016,32(17):658-664)算法提出了一种同源得分函数，它依靠模块相似性来计算结点的同源得分，并采用了动态匈牙利算法进行求解。这种算法存在的问题：模块化方法选取不当此算法通过模块相似性计算方法比较繁琐且计算方式不当，导致产生错误的生物相似性得分，从而使其生物功能质量较差。

“AligNet:alignment ofprotein-protein interaction networks”(期刊出处：BMC Bioinformatics,2020,21(Suppl 6):1-22)算法采用了模块化思想，首先对将网络划分为若干个模块，将模块进行枚举比对，最后将所有比对结果合并处理为最终比对。这种算法存在的问题：需要将所有模块进行枚举比对，大大增加了时间复杂度。

“HubAlign:an accurate and efficient method for global alignment ofprotein-protein interaction networks”(期刊出处：Bioinformatics,2014,30(17):438-444)算法认为在PPI网络中充当枢纽的蛋白质在功能和拓扑上更为重要，提出了Importance中心性，并使用贪心的种子-扩展算法，根据蛋白质的Importance分数和序列相似度组合对蛋白质进行排序。这种算法存在的问题：算法随机选择结点作为边拆分的起点，不同的起点可能会得到不同质量的比对结果。

“MAGNA++:Maximizing accuracy in global network alignment via bothnode and edge conservation”(期刊出处：Bioinformatics,2015,31(14):2409-2411)算法采用了遗传算法的思想进行网络比对，通过不停迭代交叉变异产生新解。有效解决了算法陷入局部最优解问题。这种算法存在的问题：需要进行上千次的迭代，花费时间较长。