空间独立成分分析实现fMRI信号的盲分离

独立成分分析（ICA）在功能核磁共振成像（fMRI)技术中的应用是近年来人们关注的一个热点。简要介绍了空间独立成分分析（SICA）的模型和方法,将fMRI信号分析看作是一种盲源分离问题,用快速算法实现fMRI信号的盲源分离。对fMRI信号的研究大多是在假定已知事件相关时间过程曲线的情况下,利用相关性分析得到脑的激活区域。在不清楚有哪几种因素对fMRI信号有贡献、也不清楚其时间过程曲线的情况下,用SICA可以对fMRI信号进行盲源分离,提取不同独立成分得到任务相关成分、头动成分、瞬时任务相关成分、噪声干扰、以及其它产生fMRI信号的多种源信号。     

新的独立成分分析算法实现功能磁共振成像信号的盲分离

采用独立成分分析(independent component analysis,ICA)的一种新的牛顿型算法来提取功能磁共振成像(functional magnetic rasonance imaging,fMRI)信号中的各种独立成分(包括与实验设计相关的成分以及各种噪声)。与fastICA相比,该算法减少了运算量,提高了运算速度,而且能够很好地分离出各个独立成分。结果表明该算法是一种有效的fMRI信号分析手段。     

基于信息离散性度量方法的大肠杆菌全基因组比较研究

应用方伟武教授提出的一种新的信息离散性度量方法---FDOD(functionofdegreeofdisagreement)方法对致病性大肠杆菌O157∶H7和非致病性大肠杆菌K12的全基因组序列进行了比较,分析了二者的相似序列部分,及差异较大的序列部分,证实了大肠杆菌O157∶H7核酸序列注释中可能致病的特有序列与正常序列的不同。     

基于复杂网络理论的代谢网络结构研究进展

后基因组时代研究的一个重要内容就是在系统生物学的基础上对多种分子和基因相互作用网络进行分析,理解生物系统是如何从单个构造模块的基础上组织起来的。近几年,复杂网络理论得到了迅速发展,其理论方法在生物网络的研究中得到了广泛应用。一些学者运用该理论方法研究了大量有关代谢网络的结构组成以及网络中子集团的层次组成关系,并获得了一些有意义的结果。这些结果对生物功能的预测具有一定的指导作用。对近几年来有关这方面的进展作简要综述。