面向异步多时延基因调控网络建模的高阶动态贝叶斯网络模型及其结构 学习算法

目的：由基因芯片数据精确学习建模具有异步多时延表达调控关系的基因调控网络。方法：提出了一种高阶动态贝叶斯网 络模型,并给出了网络结构学习算法,该模型假定基因的调控过程为多阶马尔科夫过程,从而能够建模基因调控网络中的异步多 时延特性。结果：由酵母基因调控网络一个子网络人工生成了加入10%含噪声的表达数据用于调控网络结构学习。在75%的后验 概率下,本文提出的高阶动态贝叶斯网络模型能够正确建模实际网络中全部的异步多时延调控关系,而经典动态贝叶斯网络仅 能够正确建模实际网络中1/3的调控关系;ROC曲线对比表明在各个后验概率水平上高阶动态贝叶斯网络模型的效果均优于经 典动态贝叶斯网络。结论：本文提出的高阶动态贝叶斯网络模型能够精确学习建模具有异步多时延表达调控关系的基因调控网 络。     

面向异步多时延基因调控网络建模的高阶动态贝叶斯网络模型及其结构学习算法

目的：由基因芯片数据精确学习建模具有异步多时延表达调控关系的基因调控网络。方法：提出了一种高阶动态贝叶斯网络模型,并给出了网络结构学习算法,该模型假定基因的调控过程为多阶马尔科夫过程,从而能够建模基因调控网络中的异步多时延特性。结果：由酵母基因调控网络一个子网络人工生成了加入10%含噪声的表达数据用于调控网络结构学习。在75%的后验概率下,本文提出的高阶动态贝叶斯网络模型能够正确建模实际网络中全部的异步多时延调控关系,而经典动态贝叶斯网络仅能够正确建模实际网络中1/3的调控关系;ROC曲线对比表明在各个后验概率水平上高阶动态贝叶斯网络模型的效果均优于经典动态贝叶斯网络。结论：本文提出的高阶动态贝叶斯网络模型能够精确学习建模具有异步多时延表达调控关系的基因调控网络。     

蛋白质的二级结构预测研究进展

认识蛋白质的二级结构是了解蛋白质的折叠模式和三级结构的基础,并为研究蛋白质的功能以及它们之间的相互作用模式提供结构基础,同时还可以为新药研发提供帮助。故研究蛋白质的二级结构具有重要的意义。随着后基因组时代的到来,越来越多的蛋白质序列不断被发现,给蛋白质的二级结构研究带来巨大的挑战和研究空间。而依靠传统的实验方法很难获取大规模蛋白质的二级结构信息。目前,采用生物信息学手段仍然是获得大部分蛋白质二级结构的途径。近年来,许多研究者通过构建用于二级结构预测的蛋白质数据集,计算、提取蛋白质的各种特征信息,并采用不同的预测算法预测蛋白质的二级结构得到了快速的发展。本文拟从蛋白质的特征信息的提取与筛选、预测算法以及预测效果的检验方法等方面进行综述,介绍蛋白质二级结构预测领域的研究进展。相信随着基因组学、蛋白质组学和生物信息学的不断发展,蛋白质二级结构预测会不断取得新突破。     

一种基于改进算法的太阳能电动车用最大功率跟踪系统

随着太阳能光伏发电技术的不断进步和运用,太能电车车作为一种利用光伏发电技术的运用模式,与太阳能光伏发电有着密不可分的关系,但是当前电动车的功率整体相对较低,因此,从多方面思考一种基于改进算法的太阳能电动车用最大功率跟踪系统,具有很大的现实意义。本文旨在围绕太阳能电动车的电源系统进行分析,并对光伏发电中太阳电池组件以及方阵进行试验论证,从最大功率跟踪器的设计进行全面探讨,更好的实现太阳能电动车用最大功率跟踪系统的技术运用。     

产甲烷常温古细菌和嗜热古细菌代谢网络拓扑结构与功能间的关联性研究

根据从KEGG数据库获得的产甲烷的常温古细菌Methanosarcina acetivorans(MAC)和嗜热古细菌Methanopyrus kandleri(MKA)的代谢网络,通过不同的网络属性特征的比较,发现常温古细菌MAC的代谢网络比嗜热古细菌MKA有更长的平均路径长度,更大的直径,这表明常温古细菌MAC的总体结构是相对低密度、松散的网络结构.同时为了从系统水平上分析这些特征蕴含的功能意义,采用了Grivan和Newman提出的模块算法(简称GN算法)分析这两个生物体的功能模块,并将所得的结果与KEGG数据库中的途径信息进行比较研究,发现大部分模块对应2~4个KEGG途径,表明这些网络模块均具有一定功能意义.     

基于CART算法的肺癌微阵列数据的分类

基因芯片技术是基因组学中的重要研究工具。而基因芯片数据( 微阵列数据) 往往是高维的,使得降维成为微阵列数据分析中的一个必要步骤。本文对美国哈佛医学院 G. J. Gordon 等人提供的肺癌微阵列数据进行分析。通过 t- test,Wilcoxon 秩和检测分别提取微阵列数据特征属性,后根据 CART( Classification and Regression Tree) 算法,以 Gini 差异性指标作为误差函数,用提取的特征属性广延的构造分类树; 再进行剪枝找到最优规模的树,目的是提高树的泛化性能使得能很好适应新的预测数据。实验证明: 该方法对肺癌微阵列数据分类识别率达到 96% 以上,且很稳定; 并可以得到人们容易理解的分类规则和分类关键基因。     

栖息地永久性破坏的比例对物种多度稳定值影响的迭代算法

为了分析栖息地破坏程度对集合群落中物种多度稳定值的影响,基于Tilman等[1, 2]提出的多物种竞争的集合群落模型,设计了一种通用的迭代算法用以分析栖息地永久性破坏的比例对物种多度稳定值的影响。针对Tilman等[2]提出的物种多度与其扩散能力或者与其竞争能力相互关系的四种模型,也即：（1）物种竞争力越强则其多度稳定值越大,所有物种死亡率相同;（2）所有物种不论竞争力如何,其多度稳定值相同、死亡率也相同;（3）物种竞争力越弱则其多度稳定值越大,所有物种死亡率相同;（4）物种多度的稳定值相同,但物种竞争力越弱其死亡率越高。先前的研究已经阐明了在前2种模型中栖息地永久性破坏的比例对物种多度稳定值的影响;而对于模型3,因为其数学表达式较为复杂,先前的研究者不得不使用模型3的简化式来考察栖息地永久性破坏的比例对物种多度稳定值的影响;而对于模型4,由于其数学表达式更为复杂,栖息地永久性破坏的比例对物种多度稳定值的影响未能被以往的研究所阐明。本文所使用的迭代算法可以阐明四种模型中任何一种模型条件下栖息地永久性破坏的比例对物种多度稳定值的影响。我们发现对于模型1和2迭代算法所得到的物种多度稳定值与通过数学解析式分析的结果完全一致,同时通过使用迭代算法还阐明了模型4中栖息地永久性破坏的比例对物种多度稳定值的影响。假设栖息地永久性破坏的比例达到了能够导致第s个物种灭绝的水平,起初幸存物种竞争力的排序为s 1 ~ s 3 ~ s 5 ~ … ~ s 6 ~ s 4 ~ s 2,但是随着栖息地永久性破坏的比例不断增大,当其快达到（但还未达到）能够导致第s 1个物种灭绝的水平,物种竞争力的排序将变为s 2 ~ s 4 ~ s 6 ~ … ~ s 5 ~ s 3 ~ s 1。模型4中栖息地永久性破坏的比例对物种多度稳定值的影响与模型2中栖息地永久性破坏程度对物种多度稳定值的影响几乎一致,唯一不同是模型2中所有物种栖息地稳定值的曲线有一个共同的交点,而模型4中所有物种栖息地稳定值的曲线交点不唯一。此外,还使用迭代算法考对比了模型3原始数学表达式和简化式两种情况下栖息地永久性破坏的比例对物种多度稳定值的影响,发现结果略有不同。     

多对独立杂合基因自交群体F1到Fn基因型熵的变化 规律

建立了具有多对独立杂合基因的自交群体的基因型熵的逐代演变数学模型, 给出每一世代中各个基因型所占的比例的三叉树算法。揭示出群体的基因型熵与独立杂合基因对数m存在线性关系, 与自交代数n存在非线性关系。固定代数n, 具有m对独立杂合基因的群体的基因型熵是仅有一对杂合基因的群体的基因型熵的m倍; 固定独立杂合基因对数m, 群体的基因型熵由F1至F3逐代递增, 在F3达到最大值, 从F3起逐代递减, 最终平衡在基因型熵最小的世代。讨论了这一模型对杂交育种工作的意义。