1.一种从动态和静态蛋白质相互作用网络中挖掘蛋白质复合物的方法,其特征在于,包括如下步骤:步骤一、构建具有权重的动态蛋白质相互作用网络和具有权重的静态蛋白质相互作用网络;
步骤二、在所述具有权重的动态蛋白质相互作用网络和所述具有权重的静态蛋变质相互作用网络中,识别蛋白质复合物的核;
步骤三、根据所述蛋白质复合物的核,在在所述具有权重的动态蛋白质相互作用网络和所述具有权重的静态蛋变质相互作用网络中,基于启发式搜索算法构建蛋白质复合物;
步骤四、根据社区模型分数给所述蛋白质复合物进行打分,舍弃低于平均分的蛋白质复合物,进而得到高于平均分的蛋白质复合物;
步骤五、在所述高于平均分的蛋白质复合物中,分别两两计算相似性,根据所述相似性判断当两个蛋白质复合物高度重叠时,舍弃其中分数低的蛋白质复合物,进而得到最终挖掘出的蛋白质复合物。
2.如权利要求1所述的从动态和静态蛋白质相互作用网络中挖掘蛋白质复合物的方法,其特征在于,在所述步骤一中通过融合GO-slim数据、网络拓扑结构和基因共表达数据构建具有权重的动态蛋白质相互作用网络,包括如下步骤:步骤1、构建动态蛋白质相互作用网络为DPG={DPG1,DPG2,...,DPGn},其中n=12;
其中,DPGi=(Vi,Ei,APVi,APEi),i=1~n;
式中, APVi:Vi→[0,1]表示每个蛋白在特定时间点i下活跃的概率,APEi:Ei→[0,1],APEi(v,u)=Vi(v)×Vi(u)表示蛋白质v和蛋白质u在时间点i下存在相互作用边的可能性;
步骤2、对所述动态蛋白质相互作用网络DPG={DPG1,DPG2,...,DPGn},在时间点i下,计算蛋白质v和蛋白质u交互的权重为其中,
式中,GOv为蛋白质v的GO-slim,GOu为蛋白质u的GO-slim,|GOv∩GOu|为蛋白质v和蛋白质u公共GO-slims的个数,Avg(GO)为所有蛋白质GO-slims的平均数;
步骤3、在所述动态蛋白质相互作用网络DPG={DPG1,DPG2,...,DPGn}中去掉所述蛋白质对的权重是0和邻居数量不大于2的蛋白质,进而得到具有权重的动态蛋白质相互作用网络。
3.如权利要求1所述的从动态和静态蛋白质相互作用网络中挖掘蛋白质复合物的方法,其特征在于,在所述步骤一中通过融合GO-slim数据和网络拓扑结构构建具有权重的静态蛋白质相互作用网络,包括如下步骤:步骤1、构建静态蛋白质相互作用网络为G=(V,E,W);
式中,V为蛋白质的集合,E为蛋白质对的集合,W为蛋白质对的可靠性;
步骤2、计算蛋白质对交互的权重为
其中,
式中,GOv为蛋白质v的GO-slim,GOu为蛋白质u的GO-slim,|GOv∩GOu|为蛋白质v和蛋白质u公共GO-slims的个数,Avg(GO)为所有蛋白质GO-slims的平均数。
4.如权利要求2所述的从动态和静态蛋白质相互作用网络中挖掘蛋白质复合物的方法,其特征在于,APVi取值为0.9973、0.9545、0.6827和0。
5.如权利要求2所述的从动态和静态蛋白质相互作用网络中挖掘蛋白质复合物的方法,其特征在于,与基因g相对应的蛋白质在特定时间点i下活跃的概率APi(g)的计算过程为:其中,
式中,Gei(g)为基因g在特定时间点i下的表达值(Ge(i)),Avg(g)为表达值在时间点1到n上的算数平均数,σ(g)为表达值的在时间点1到n上的标准差,k为sigma倍数,k∈[0,3],i∈[1,12]。
6.如权利要求1所述的从动态和静态蛋白质相互作用网络中挖掘蛋白质复合物的方法,其特征在于,在所述步骤二中,识别蛋白质复合物的核包括如下步骤:步骤1、分别在每个动态蛋白质相互作用网络和静态蛋白质相互作用网络中确定蛋白质v的邻居子图G'(v)=(V',E',W');
步骤2、在所述邻居子图G'(v)=(V',E',W')中的蛋白质u,如果degweight(u)≥Avdegweight(G'(v)),则把蛋白质u加入到集合initial_clusterv中,否则加入到集合left_proteins中;
步骤3、在所述集合left_proteins中的蛋白质w,如果|Nw∩initail_clusterv|≥2且将蛋白质w加入到集合initial_clusterv中,得到所述蛋白质复合物的核;
其中,V'=Nv,
7.如权利要求1所述的从动态和静态蛋白质相互作用网络中挖掘蛋白质复合物的方法,其特征在于,在所述步骤三中,构建蛋白质复合物包括如下步骤:步骤1、将所有的所述蛋白质复合物的核记为簇C=(VC,EC,WC),确定其邻居集合Neighbor(C);
步骤2、从所述邻居集合Neighbor(C)中挑选蛋白质u使得close_function(u,C)取最大值,如果Score(C+{u})>Score(C),则将蛋白质u加入簇C中,并将其从所述邻居集合Neighbor(C)中删除,直到所述邻居集合Neighbor(C)为空或者所述簇C中加入使得close_function(u,C)取最大值的蛋白质u不再使Score(C)增加;以及从集合Boundary_node(C)中挑选蛋白质v使得close_function(v,C)取最小值,如果Score(C-{v})>Score(C)且|C|>2,则将蛋白质v从簇C和Boundary_node(C)中删除,直到集合Boundary_node(C)为空或者Boundary_node(C)中删除使得close_function(v,C)取最小值的蛋白质v不再使Score(C)减小;
直到所述簇C不再发生变化,得到所述蛋白质复合物;
其中,
in
式中,W(u,v)为蛋白质v和蛋白质u相互作用边的权重,w (C)为簇C中所有蛋白质相互作用边的权重的平均值,wbound(C)为簇C中的节点与除簇C之外的网络中其他节点相互作用的边的权重的平均值,Boundary_node(C)为簇C的内边界节点的集合,close_function(u,C)为候蛋白质u和簇C的关系。
8.如权利要求1所述的从动态和静态蛋白质相互作用网络中挖掘蛋白质复合物的方法,其特征在于,在所述步骤四中,计算识别出的所有蛋白质复合物的社区模型得分Score(C),将所有低于平均分的蛋白质复合物舍弃,对所述蛋白质复合物通过如下方式进行打分:
式中,win(C)为簇C中所有蛋白质相互作用边的权重的平均值,wbound(C)为簇C中的节点与除簇C之外的网络中其他节点相互作用的边的权重的平均值。
9.如权利要求1所述的从动态和静态蛋白质相互作用网络中挖掘蛋白质复合物的方法,其特征在于,在所述步骤五中,对于剩下得分较高的蛋白质复合物,两两计算其相似性,如果OS(PCi,PCj)≥α,说明两个蛋白质复合物高度重叠,此时舍弃社区模型得分较低的一个,得到的结果为最终识别出的全部蛋白质复合物;
其中,所述相似性计算公式为:
式中, 是蛋白质复合物PCi中所有蛋白质的集合, 是蛋白质复合物PCj中所有蛋白质的集合。
10.如权利要求9所述的从动态和静态蛋白质相互作用网络中挖掘蛋白质复合物的方法,其特征在于,α=0.8。