学位论文 > 优秀研究生学位论文题录展示

基于蚁群优化的PPI网络功能模块检测方法研究

作　者: 刘志军
导　师: 冀俊忠
学　校: 北京工业大学
专　业: 计算机科学与技术
关键词: 蛋白质相互作用网络 功能模块检测 蚁群优化 多智能体进化
分类号: TP18
类　型: 硕士论文
年　份: 2013年
下　载: 4次
引　用: 0次
阅　读: 论文下载
 

内容摘要


蛋白质相互作用（Protein-Protein Interaction, PPI）网络是生命活动中一种极其重要的生物分子关系网络，利用计算方法从PPI网络中检测功能模块是目前生物信息学中一项重要的研究课题。根据PPI网络的拓扑结构和功能模块的特点，研究人员已经提出了多种不同类型的检测方法。其中，基于群集智能的聚类方法是近年来新出现的一种模块检测方法，已经成为PPI网络功能模块检测的一个研究热点。蚁群优化（Ant Colony Optimization, ACO）是一种典型的群集智能算法，基于蚁群优化的思想，本文针对PPI网络功能模块检测问题，开展了以下两个方面的研究工作：（1）针对PPI网络噪声较高，检测到模块精度不高的问题，通过融合蛋白质的功能注释信息，提出了基于蚁群寻优机制的功能模块检测算法。算法首先根据PPI网络的拓扑结构和蛋白质的基因本体（Gene Ontology, GO）信息，分别计算蛋白质节点间的拓扑距离和功能相似性距离，并将其结合到新的启发函数中。然后，利用新的启发函数引导蚁群进行路径寻优，以发现能够反映拓扑特征和功能信息的最优路径。最后，根据设定的阈值断开最优路径得到初始的功能模块，并利用结合功能注释的合并策略对初始模块进行合并，以提高检测模块的质量。在四个通用PPI数据集上与其他一些经典检测算法的实验相比，新算法在多项评价指标上表现出了卓越的性能。（2）针对上一工作中算法存在容易陷入局部最优的缺点，提出了蚁群优化与多Agent进化相结合的功能模块检测算法。算法在每一次迭代中首先采用蚁群优化进行路径寻优。然后，通过多Agent的三种进化操作，对得到的寻优路径做进一步优化。之后，在Agent的编码路径上进行信息素更新，引导蚂蚁在接下来的搜索中跳出局部最优。最后，当算法迭代结束时，根据Agent的自动解码机制得到初始的功能模块，并通过合并策略得到最终的模块。多组实验结果表明，新算法能有效克服局部最优的缺点，与其他一些算法相比具有明显的竞争力。论文实现了两种新颖的PPI网络功能模块检测方法，不仅扩展了蚁群优化的应用领域，也为其他复杂网络的研究工作提供了有益的借鉴。

全文目录


摘要  4-5
Abstract  5-7
目录  7-9
第1章 绪论  9-15
  1.1 课题研究背景与意义  9-11
    1.1.1 PPI 网络及其功能模块  9-10
    1.1.2 功能模块检测的研究意义  10-11
  1.2 国内外研究现状  11-12
  1.3 本文主要研究内容  12-13
  1.4 论文的组织结构  13-15
第2章 PPI 网络功能模块检测概述  15-27
  2.1 PPI 网络数据及其模块检测过程  15-17
    2.1.1 PPI 网络数据来源  15-17
    2.1.2 PPI 网络功能模块检测过程  17
  2.2 PPI 网络模块检测的常用聚类方法  17-24
  2.3 功能模块检测的常用评价指标  24-26
    2.3.1 精度、召回率和 F 度量  24
    2.3.2 敏感度、正的预测率和准确度  24-25
    2.3.3 功能富集  25-26
  2.4 本章小结  26-27
第3章 基于蚁群寻优机制的模块检测算法研究  27-43
  3.1 蚁群优化  27-31
    3.1.1 蚁群优化思想  27-28
    3.1.2 蚁群优化求解 TSP  28-29
    3.1.3 TSP 与功能模块检测  29-31
  3.2 结合功能注释的蚁群优化策略  31-34
    3.2.1 基因本体  31
    3.2.2 融合功能注释的启发函数  31-32
    3.2.3 基于功能注释的模块合并策略  32
    3.2.4 基于蚁群寻优机制的检测算法描述  32-34
  3.3 实验结果与分析  34-41
    3.3.1 实验设计  34-35
    3.3.2 参数对算法的影响  35-37
    3.3.3 实验结果与分析  37-41
  3.4 本章小结  41-43
第4章 蚁群优化与多 Agent 进化相结合的模块检测算法研究  43-59
  4.1 多 Agent 系统  43-45
    4.1.1 多 Agent 系统结构  44-45
    4.1.2 多 Agent 系统进化原理  45
  4.2 蚁群优化与多 Agent 系统结合  45-50
    4.2.1 Agent 编码与解码方式  46-47
    4.2.2 Agent 进化机制  47-48
    4.2.3 信息素更新策略  48
    4.2.4 结合多 Agent 进化的检测算法描述  48-50
  4.3 实验结果与分析  50-56
    4.3.1 实验设计  51
    4.3.2 参数对算法的影响  51-52
    4.3.3 实验结果与分析  52-56
  4.4 本章小结  56-59
结论  59-61
参考文献  61-67
攻读硕士学位期间所发表的学术论文  67-69
致谢  69

相似论文

  1. 基于强化学习的蚁群聚类研究及应用,TP18
  2. 改进ACO算法在DTSP中的应用研究,TP301.6
  3. 无线传感器网络节能路由算法的研究,TP212.9
  4. 改进蚁群算法在盲均衡中的应用,TN911.5
  5. 考虑流固耦合渗流作用的边坡稳定性分析,TU43
  6. 大规模蛋白质相互作用网络复合物挖掘算法研究,Q51
  7. 无线传感器网络能量均衡数据汇集算法研究,TN929.5
  8. 基于GPU的并行蚁群优化算法的研究与实现,TP301.6
  9. 基于膝关节角度的助行功能性电刺激模糊控制研究,R651.2
  10. 多机器人烟羽跟踪算法实验研究,TP242
  11. 基于小波和模糊关系的蛋白质信息检测,Q51
  12. 快速公交调度算法与研究,O224
  13. 车载导航路径规划算法研究,U495
  14. 基于蚁群聚类优化的RBF神经网络软测量应用,TP183
  15. 蚁群优化在时间表问题中的研究与应用,TP301.6
  16. 群智能优化算法及应用研究,TP301.6
  17. 基于稳定性预测的Ad Hoc网络多径路由协议应用研究,TN929.5
  18. 高可靠性的容错组播路由算法研究,TN915.02
  19. 基于IC生产模式的生产调度系统研究与开发,F273
  20. 基于蚁群优化的无线传感器网络QOS路由算法研究,TP212.9
  21. 非结构化P2P网络中基于蚁群优化算法的资源搜索研究,TP393.02

中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论
© 2012 www.xueweilunwen.com