基于网络表征学习的生物网络节点分类

论文摘要

随着人类基因组测序完成,“后基因时代”就此开启,科学界对于生命功能的探索重点逐渐从对单一的目标分析转移到组学分析。对组学进行分析时,主要是利用了已经积累的大量的生物组学数据并且与计算机技术相结合来从系统的角度进行分析,这大大提高了研究的效率。同时,计算机技术可以对生命过程进行建模,基于模型和大量的数据来对生物实验进行指导,提高生物实验的效率。生物信息学作为一个交叉性的学科,它将生命科学与计算机科学相结合,对未来的生物研究提出新的思路。生物信息学强调从系统角度出发,从系统层面去发现和解释相关的生命机制,这也是未来研究的必然趋势。本文中针对生物网络中的节点分类进行研究,对节点进行分类有利于我们挖掘节点在网络中的作用以此来推断它们在生命活动中的作用,除此之外,节点分类也可以对未知的节点进行来推断这些还未知的节点的功能,这对下一步的生物实验具有指导意义。节点的分类主要根据节点在网络中的重要性,以及节点在网络中的分布情况这两种不同的角度来进行表征学习继而进行节点分类。在本文中主要完成以下两个方面的工作:1)在基因网络中进行节点分类。基因之间通过相互作用来共同合作完成生命功能,这种相互作用的关系形成了基因网络。通过对基因网络中的基因进行分类有利于帮助我们理解基因在生命活动中承担的作用以及基因的重要性。在实验中我们把结构洞理论把信息流动的思想引入到基因网络中,并以此为根据来进行网络表征学习,通过表征学习的结果对节点进行分类。对不同类别的节点我们进行了分析,验证了不同类别的基因在生命活动中起到了不同的作用。2)我们设计了一个新的基于GAN的网络表征学习算法WalkGAN。将这个算法用到了疾病-基因网络中,通过表征学习的结果对节点进行分类。我们将我们的方法与一些经典的网络表征学习算法进行比较,实验结果证明我们的算法得到的表征学习的效果要优于其他的算法。

论文目录

• 摘要
• 英文摘要
• 第一章 绪论
•   1.1 课题的背景和意义
•   1.2 本文的研究工作及创新之处
•   1.3 本文的组织结构
• 第二章 相关知识介绍
•   2.1 复杂网络
•     2.1.1 网络的定义
•     2.1.2 网络的特性
•     2.1.3 复杂网络数据挖掘
•   2.2 网络表示学习
•     2.2.1 背景
•     2.2.2 表示学习算法
•   2.3 强化学习
•     2.3.1 模型基础
•     2.3.2 策略梯度
• 第三章 基于结构洞理论的基因网络节点分类
•   3.1 概述
•     3.1.1 背景
•     3.1.2 相关工作
•   3.2 基于结构洞的模型
•     3.2.1 概念定义
•     3.2.2 建模
•   3.3 实验结果
•     3.3.1 网络数据及预处理
•     3.3.2 分类结果
•     3.3.3 网络拓扑性质分析
•     3.3.4 数据集
•     3.3.5 富集分析
•     3.3.6 功能富集分析
•   3.4 本章小结
• 第四章 基于WalkGAN的疾病分类
•   4.1 概述
•     4.1.1 背景
•     4.1.2 相关工作
•   4.2 WalkGAN
•     4.2.1 生成网络
•     4.2.2 判别网络
•     4.2.3 特征表示
•   4.3 实验结果
•     4.3.1 实验数据集
•     4.3.2 评价指标
•     4.3.3 实验方案
•     4.3.4 对比方法
•     4.3.5 实验结果与分析
•   4.4 本章小结
• 第五章 总结与展望
•   5.1 总结
•   5.2 展望
• 参考文献
• 硕士期间发表的论文
• 致谢

文章来源

类型: 硕士论文

作者: 林佳伟

导师: 曾湘祥

关键词: 生物网络,结构洞,网络表征学习

来源: 厦门大学

年度: 2019

分类: 基础科学,信息科技

专业: 生物学,计算机硬件技术

单位: 厦门大学

分类号: TP3;Q811.4

总页数: 79

文件大小: 4039K

下载量: 38