多源信息融合的蛋白质相互作用研究及功能模块识别

The development of proteomics has brought great challenges to bioinformatics research. How to efficiently understand the operational mechanism of life activities from the complex biological data, plays a key part in knowing the biological essence. Based on complex network theory, probability statistics theory and machine learning method, our project proposes many efficient methods for the protein-protein interaction research: (1) study the sequence and structure information of protein binding regions, construct the local model to statistical analyze physicochemical properties of protein surfaces, and use the multi-source information integration method to predict protein binding regions; (2) study the difference between binding protein sequences and non-binding protein sequences, combine the correlation of protein information with characterization method to design the sequence description model for building protein interaction network; (3) study topological characteristics of protein interaction network, explore the gene expression profile information to establish differential co-expression for functional module recognition. Eventually, our project will open up new theories and methods of computational biology, establish many software tools and platforms with independent intellectual property rights, and provide the experimental basis and theoretical evidence for the development of biomedical engineering.

蛋白质组学的发展对生物信息学的研究带来了前所未有的机遇和挑战。如何高效地从海量复杂数据中了解生命活动的运行机制，成为破解生物难题的关键部分。本项目深入分析生物数据特征及生物关联特性，以复杂网络理论、概率统计理论、机器学习方法为基础，提出面向蛋白质相互作用研究的高效计算方法：(1)研究蛋白质绑定区域的序列信息和结构信息，构造局部模型统计蛋白质表面残基的物理化学特性，设计基于多源信息融合的蛋白质绑定位点预测方法。(2)研究绑定蛋白质与非绑定蛋白质的序列特性差异，结合蛋白质关联特性，设计序列分段描述模型，利用特征编码方法构建蛋白质相互作用网络。(3)研究蛋白质相互作用网络的拓扑特性，挖掘基因表达谱信息，建立差异共表达的多种度量方法，识别蛋白质复合物和功能模块基团。本项目的研究工作将开拓新颖的生物计算理论和方法，建立自主知识产权的软件和平台，为生物医学工程提供实验基础和理论依据。

深入研究蛋白质互作可以从系统水平理解生命过程，有利于认识生命体复杂运行机制。蛋白质相互作用研究从分子水平上揭示蛋白质功能，为探讨疾病机理及新药物靶点发现等提供理论基础。本项目突破海量蛋白质生物数据的复杂关联关系和隐含生物特征的数据挖掘技术，设计基于多元信息融合的智能计算模型用于挖掘疾病关联的特异性蛋白质相互作用，建立基于绑定亲和力的靶向蛋白质相互作用界面的药物分子智能设计平台，为探讨疾病机理及药物靶点发现提供关键技术支持。本项目通过研究特异性蛋白质相互作用关系，深入了解疾病并为合理药物分子设计提供帮助，进而成为新型治疗方法的研究理论基础。本项目负责人发表论文三十余篇，以第一作者发表生物信息学顶级期刊Bioinformatics论文1篇；以通讯作者发表生物信息学顶级期刊Brief. Bioinform.论文10篇，6篇代表作入选ESI高被引论文，总引用两千余次，2021年度天津市自然科学二等奖。本项目构造高通量生物大数据的全链条机器学习理论方法体系，针对大数量级异构生物数据进行高效精准地探索和挖掘。