PPI网络融合化智能信息流模型与算法及其评价研究

由于蛋白质交互作用网络具有无尺度和小世界特性，使用传统聚类方法时间复杂度高、聚类正确率低，从而导致蛋白质功能模块检测结果很难令人满意，研究新型聚类模型和算法成为目前生物信息计算领域的重要研究方向。.针对PPI网络蛋白质功能模块检测问题，本研究拟结合群智能机理建立PPI网络结点的智能信息流聚类模型；提出融合化群智能优化- - 人工蜂群优化、蚁群优化和粒子群优化等改进算法来优化信息流聚类模型并进行聚类问题的阈值自动寻优，力图检测出重叠的功能模块并合理、有效聚类以期准确预测蛋白质功能，通过仿真实验及结果的比较分析来验证智能融合信息流聚类模型与算法的可行性和聚类结果的正确性，探索、整合PPI网络聚类效果的有效评价方法。.此研究在预测未知蛋白质功能、重大疾病的预防治疗和药物靶点方面有重要意义。

该项目建立了蛋白质相互作用(Protein- protein Interaction, PPI)网络功能模块识别的群智能优化理论模型与方法体系，并在聚类分析、阈值优化、参数优化及其评价等方面开展了系统而深入的研究。针对高维、海量、任意形状的PPI网络的功能模块检测问题，在研究群智能优化方法的基础上，深入剖析其内在机制，设计了群智能优化方法与聚类问题的对应关系，构建了基于群智能优化机理的PPI网络新型聚类模型，并设计了相应的算法。通过优化过程自动得到聚类合并的最佳阈值，克服了传统方法中人工给定阈值的主观性。结合PPI网络大数据，对其重叠功能模块进行了初步检测。分析了目前主流的评价方法，并提出了更为合理的评价策略。与国际目前的经典和主流算法相比，我们的研究方法取得了较好的效果。该项目丰富了群智能优化理论与方法的研究，将其融合到PPI网络的聚类分析中开拓了群智能优化算法、模式识别与生物信息学融合的新方向。该项目共发表各类研究论文30余篇，其中SCI源论文8篇，1篇英文论文获得IEEE国际会议最佳论文奖，科学出版社出版专著1部，以第二作者身份在John Wiley & Sons, Inc.联合出版英文图书章节。