欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2018109463539
申请人: 安徽大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于属性优化蛋白质网络的功能模块挖掘方法,其特征在于,包括:S1、提取蛋白质候选节点对;

S2、通过蛋白质候选节点对的提取初始化种群及种群中每个个体的功能模块集合并计算每个个体的适应度值;

S3、种群个体间进行交叉变异,产生子代种群;

S4、子代个体继承父代个体的功能模块集合,并根据每一个子代个体和父代个体基因值之间的差异,调整子代个体的功能模块,得到子代种群每个个体的功能模块集合并计算每个个体的适应度值;

S5、根据父代种群和子代种群个体的适应度值进行环境选择得到新的种群;

S6、重复执行步骤S3、S4、S5,直到执行到最大迭代次数时,输出种群的帕累托最优解集中每个个体的功能模块集合,个体的功能模块集合即为蛋白质功能模块划分集合。

2.根据权利要求1所述的基于属性优化蛋白质网络的功能模块挖掘方法,其特征在于,步骤S1,具体包括:S11、定义所述蛋白质网络表征为G=(V,E,A),V={v1,v2,…,vi,…,vn}表示蛋白质网络中所有蛋白质节点的集合,vi表示第i个蛋白质节点;n为蛋白质节点的总数;

S12、计算任意两个蛋白质节点的属性相似度

Au和Av分别表示蛋白质节点u和蛋白质节点v具有的属性集合;

S13、将蛋白质节点对按属性相似度加入范围在[0,1],梯度为0.01的100个桶中,计算每个桶中蛋白质节点对的个数Bucki;

S14、依据Bucki对桶进行降序排列,第一个桶对应[0,1]之间的值为Value1,第二个桶对应[0,1]之间的值为Value2,Value1和Value2的平均值T作为属性相似度的阈值;

S15、从蛋白质节点对集合中取出一个节点对(u,v),如果Suv≥T,则将节点对(u,v)加入侯选蛋白质节点对集合Nodepair中,从蛋白质节点对集合中移除节点对(u,v);

S16、对剩余的蛋白质节点重复步骤S15,得到提取后的候选蛋白质节点对集合Nodepair={P1,P2,...,Pk},其中Pr表示第r个蛋白质节点对。

3.根据权利要求2所述的基于属性优化蛋白质网络的功能模块挖掘方法,其特征在于,步骤S2,具体包括:S201、定义最大迭代次数为maxgen,初始迭代次数为t=1,种群个体的数目为pop,种群中有pop个个体{X1,X2,…,Xg,,Xpop},Xg表示第g个个体;

S202、从Nodepair中取出一个蛋白质节点对(u,v),随机产生一个0-1之间的随机数R,计算第i位基因系数ζi=0.5+Suv-Avg(S),若R≤ζi,个体第i位基因值为1,反之为0,其中,Suv表示蛋白质节点对(u,v)的属性相似度,Avg(S)表示候选蛋白质节点对的平均属性相似度,;

S203、对Nodepair中剩下的蛋白质节点对重复执行步骤S202,直到 得到个体的编码为X={g1,g2,...,gi,...,gm};

S204、重复执行pop次步骤S202和S203,得到初始种群编码{X1,X2,...,XPOP};

S205、获取{X1,X2,...,XPOP}中一个个体,令i=1,如果该个体的第i位基因值gi=1,在蛋白质网络G中节点u和节点v之间建立连边,其中,个体第i位基因对应候选蛋白质集合中第i个侯选蛋白质节点对(u,v);

S206、将令i=i+1,重复执行步骤S205,直到i>m为止,从而得到一个新的蛋白质网络Gn,m表示个体编码长度;

S207、对种群{X1,X2,...,XPOP}中的剩下个体重复执行步骤S205、S206,得到相应的蛋白质网络G={G1,G2,...,GPOP};

S208、从G={G1,G2,...,GPOP}中选取一个网络Gi={V,E,A},计算网络中每个节点的节点优先性 其中,ni表示蛋白质节点i邻居节点间连接的边数,k表示蛋白质节点i的邻居个数;

S209、从V中选取节点优先性最大的蛋白质节点v,计算蛋白质节点v与各个邻居节点的相似度 选择具有最大相似度的邻居节点u,u,v和u,v的共同邻居组成功能模块Ci,将u,v和u,v的共同邻居从V中移除,计算V中节点的节点优先性,其中,Nr表示蛋白质节点r的邻居节点;

S210、重复执行步骤S209,直到 得到该网络的功能模块划分;

S211、对于G={G1,G2,...,GPOP}中剩下的网络重复执行步骤S208、S209和S210,得到pop个蛋白质功能模块划分集合;

S212、计算初始化父代种群中第g个个体Xg的两个目标函数:模块度 其中,lk表示第k个功能模块内的连接边数,dk表示第k个功能模块内的总度数;L表示第g个蛋白质网络Gg内的总边数;

属性密度 其中,S(i,j)表示蛋白质节点i和蛋白质节点j的属性相似度;rk表示第k个蛋白质模块内的蛋白质节点数;

S213、对pop个蛋白质功能模块划分集合均执行步骤S212,得到父代种群的功能模块集合模块度和属性密度。

4.根据权利要求3所述的基于属性优化蛋白质网络的功能模块挖掘方法,其特征在于,步骤S3,具体包括:S31、令t=1,以二进制锦标赛的方式的从种群P中选取个体g和个体j,对个体g和个体j进行交叉变异得到子代个体child;

S32、执行pop次步骤S31,得到子代种群O={X1,X2,...,XPOP}。

5.根据权利要求4所述的基于属性优化蛋白质网络的功能模块挖掘方法,其特征在于,步骤S4,具体包括:S41、从子代种群O={X1,X2,...,XPOP}中获取一个个体XK,将个体XK和对应的父代个体进行比较,在候选蛋白质节点对中找到基因值发生变化的基因位所对应的蛋白质节点对,提取蛋白质节点对中的蛋白质节点得到蛋白质节点集合Vcg;

S42、对于个体XK,其个体编码XK={g1,g2,...,gi,...,gm}令i=1,如果该个体的第i位基因值gi=1,在蛋白质网络G中节点u和节点v之间建立连边,其中,个体第i位基因对应候选蛋白质集合中第i个侯选蛋白质节点对(u,v);

S43、将令i=i+1,重复执行步骤S42,直到i>m为止,从而得到一个新的蛋白质网络Gn,m表示个体编码长度;

S44、提取蛋白质网络Gn中由Vcg中的蛋白质节点组成的子图Subgraph;

S45、依照Subgraph节点邻居个数递增的方式对Vcg中的蛋白质节点进行排序,选取第一个蛋白质节点v,计算v从当前所在的功能模块i移到任意一个功能模块j的模块度变化将蛋白质节点v加入到具有最大模块度变化所对应的模块k中,将蛋白质节点从Vcg中移除,其中,L表示子代种群第k个蛋白质网络内的总边数, 表示蛋白质节点v在第r个蛋白质功能模块内邻居个数,kv表示蛋白质节点v的邻居个数,Kr表示第r个蛋白质功能模块的总度数;

S46、执行|Vcg|次步骤S45,得到个体XK的蛋白质功能模块划分集合;

S47、执行pop次步骤S41、S42、S43、S44、S45、S46得到子代种群pop个蛋白质功能模块划分集合;

S48、计算子代种群中第g个个体Xg的两个目标函数:

模块度 其中,lk表示第k个功能模块内的连接边数,dk表示第k个功能模块内的总度数;L表示第g个蛋白质网络Gg内的总边数;

属性密度 其中,S(i,j)表示蛋白质节点i和蛋白质节点j的属性相似度;rk表示第k个蛋白质模块内的蛋白质节点数,得到子代种群pop个个体所对应的模块度和属性密度;

S49、对pop个蛋白质功能模块划分集合均执行步骤S48,得到子代种群的功能模块集合模块度和属性密度。

6.根据权利要求5所述的基于属性优化蛋白质网络的功能模块挖掘方法,其特征在于,步骤S5,具体包括:将父代种群和子代种群合并在一起得到种群Punion,依据非支配排序最大化,拥挤距离排序从Punion选取pop个个体作为新种群P。

7.根据权利要求6所述的基于属性优化蛋白质网络的功能模块挖掘方法,其特征在于,步骤S6,具体包括:令t=t+1,重复执行步骤S3、S4、S5,直到t>maxgen时,输出种群的帕累托最优解集中每个个体的功能模块集合,个体的功能模块集合即为蛋白质功能模块划分集合。