摘要：目的：通过慢性粒细胞白血病（chronic myelogenous leukemia,CML）蛋白质相互作用网络的构建、分析与体外实验验证两部分,探讨青黄散治疗CML的有效分子学机制。方法：筛选在线人类孟德尔遗传数据库（OMIM）获得CML相关基因,STRING用于进一步文本挖掘并构建CML蛋白质相互作用网络,互作数据读入Cytoscape后,插件Centi Sca Pe和Cluster Viz用于实现拓扑和聚类分析,DAVID数据库富集关键通路信息。然后针对关键基因c-myc设计体外实验,制备青黄散含药血清,MTT法检测阴性对照组（无药血清）与实验组（5%、10%和20%青黄散含药血清）在24、48、72 h对K562细胞的增殖抑制率,Western Blot法检测c-myc蛋白的表达情况。结果：构建了由416个节点（蛋白质）和2792条边（相互作用）组成的蛋白质相互作用网络,分析得出关键基因c-myc。实验结果表明,与阴性对照组相比,实验组能有效的抑制K562细胞增殖,且青黄散含药血清能有效抑制c-myc的表达,两者具有统计学意义（P〈0.05）。结论：CML是一个受多基因调控、多信号通路传导的复杂疾病,c-myc很可能是关键节点,而青黄散对K562细胞增殖的抑制作用机制之一是降低c-myc的表达。

摘要：DDo S攻击一直严重威胁着网络的安全,针对DDo S攻击的检测与防御是网络安全研究中的一个重要课题.利用蛋白质相互作用网络中的功能预测特点,设计了一个DDo S攻击检测及追踪方案.该方案在分时统计的基础上创建RTCT值,并在服务器端根据不同的RTCT值来生成不同的个体,利用特征熵值构建个体蛋白质相互作用网络,并通过与目标蛋白质相互作用网络对比来检测是否有攻击发生;当有攻击发生的时候,分解RTCT值并锁定攻击源.该方案对DDo S攻击的检测较为敏感,在复杂的网络拓扑结构中能够准确的检测出DDo S攻击并锁定攻击源,模拟实验研究结果表明了该机制是高效的.

摘要：为了让蛋白质相互作用网络研究人员高效共享大量的生物实验数据和方便的利用与蛋白质相互作用网络相关的各种工具及方法,提出了一个基于Web Service的面向蛋白质相互作用网络PSE的方法。通过分析蛋白质相互作用网络研究的特点,指出面向蛋白质相互作用网络PSE需要基于Web Service技术。在此基础上,设计了面向蛋白质相互作用网络PSE的体系结构,体系结构符合SOA(service-oriented architecture)的标准要求,具有很好的可扩展性。实验结果表明了面向蛋白质相互作用网络PSE的有效性。

摘要：后基因组时代的最终目标是认识真正执行生命活动的全部蛋白质的表达规律和生物学功能,即蛋白质组学研究。关键的挑战之一就是对蛋白质相互作用网络的研究,将有助于从系统角度加深对细胞结构和功能的认识,并且为新药靶位点的发现和药物设计提供理论基础。目前,用生物信息学的手段来研究蛋白质相互作用网络显示出巨大的优势,主要包括蛋白质相互作用网络的绘制与显示、网络的拓扑结构分析、网络结构模块的研究及网络的比对等。文章试图从生物信息学的角度认识蛋白质相互作用,并总结蛋白质相互作用网络的生物信息学分析方法。

摘要：目的应用蛋白质相互作用网络图，寻找鼻咽癌放射抗拒相关的分子标志物，探讨鼻咽癌放射抗拒机制。方法应用全基因组表达谱芯片，初步筛选出2种不同放射敏感性细胞株CNE-2R与CNE-2的差异表达基因。采用计算机软件随机选取4个差异表达基因，分别设计引物，用半定量RT—PCR技术检测验证。将2次实验中均出现的差异有统计学意义的基因导入SNOW在线数据库进行分析，绘制差异基因相互作用网络图，网络中心节点作为鼻咽癌放射抗拒相关分子标志物；进一步采用Westernblot检测关键节点STAT1在CNE-2R与CNE-2表达差异。结果CNE-2R与CNE-2相比，2次芯片实验中均出现的差异基因374个，其中差异有统计学意义的基因197个；随机选取的4个差异表达基因RT—PCR结果与芯片扫描结果相似，具有相同的方向性。197个共有的差异有统计学意义的基因编码蛋白经SNOW分析存在相互作用，并构成一个复杂的相互作用网络图，寻找到了关键性的节点为STAT1和JUN。Westernblot结果显示，STAT1-α在CNE-2R中表达明显高于CNE-2（t=4．96，P〈0．05）。结论关键性的节点STAT1和JUN可能是引起鼻咽癌放射抗拒的分子标志物，STAT1-α可能与鼻咽癌放射抗拒发生密切相关。

摘要：对蛋白质相互作用的研究不仅能够理解生命的过程,也能为疾病治疗提供线索。通过对现有蛋白质相互作用预测计算方法的分析,将计算方法和生命科学相结合,在利用现有的知名生物数据库获得大量蛋白质相互作用关系数据的基础上,建立人类蛋白质相互作用网络,通过计算来预测可能导致帕金森病的蛋白质。在总结前人算法的基础上,利用改进的APM[1]算法,实现了对蛋白质一级网络以及二级网络的预测工作。

摘要：生物网络比对是研究生物进化过程的重要手段,不同物种间的比对不仅有助于理解物种的知识转移,同时也有助于进行功能预测和检测保守功能成分。然而,现有比对算法很难实现拓扑度量和生物度量同时最优。设计JAlign算法,将拓扑相似性与归一化序列相似性相结合构成目标函数,基于种子-扩展算法和模块检测进行全局比对。在种子筛选阶段,利用Jerarca聚类算法划分功能模块,借助目标函数计算模块间的相似性进行最优模块匹配,并从匹配结果中提取部分节点对作为种子节点。在扩展阶段,将比对从种子节点扩展至其邻居节点,在选择节点对进行扩展比对时综合考虑节点之间的连接关系、度差值、节点相似性等因素。在此基础上,为避免遗漏分散节点,找到剩余未匹配的节点构建二分图,以贪心方式进行最大加权二分图匹配,并将匹配结果合并到比对集合中,完成最终匹配。实验结果表明,JAlign算法能够实现拓扑度量和生物度量的良好平衡,其边正确性指标、诱导保守子结构得分、对称子结构得分和生物质量使用功能一致性指标均优于L-GRAAL、SPINAL和ModuleAlign算法,在时间效率上也具有优势。

摘要：关键蛋白质在维持生物体的生理活动中发挥着重要的作用,预测关键蛋白质有助于设计药物分子靶标.随着高通量技术的发展,基于蛋白质相互作用关系数据采用计算方法识别关键蛋白质成为当前的热门研究.研究表明,将蛋白质相互作用网络与其他生物学信息结合起来能够更有效地识别关键蛋白质.因此,本研究提出一种整合蛋白质相互作用数据、基因本体注释信息、蛋白质亚细胞定位信息及蛋白质结构域信息的识别关键蛋白质的新方法TGSD.为了评估新算法的有效性,选取4组常用的酵母测试数据集进行仿真实验,详细比较TGSD方法与其他7种经典方法的识别效果.数值结果显示,TGSD在预测正确关键蛋白质数目和准确率等统计指标上明显优于其他算法.

摘要：研究应用综合生物信息学构建心肌纤维化蛋白质相互作用网络,为揭示心肌纤维化的关键分子网络并揭示潜在的分子机制,以及疾病诊治和药物靶细胞设计等方面奠定重要基础。研究方法 使用FibroAtlas 1.0 数据库收集有文献支持的、高度可信赖的心肌纤维化相关基因数据集;利用基因本体论(GO)和京都百科全书基因和基因组(KEGG)途径对心肌纤维化相关基因数据集富集并通过DAVID在线进行分析;综合目前常用的公开蛋白质相互作用数据库,剔除冗余数据,获得较为全面的人类蛋白质相互作用数据,并将心肌纤维化相关蛋白质映射到人类蛋白质相互作用数据,提取获得心肌纤维化相关蛋白质的相互作用网络;MCODE分析通过Cytoscape软件中的MCODE插件制作。经网络拓扑学分析、随机行走算法、分子节点关联和重要性排序、节点聚类分析等系列算法,提取并分析关键基因。结果 基于文献挖掘和人工判读,获得119个高度可信赖的心肌纤维化相关蛋白质,发现这些蛋白主要参与丝裂原活化蛋白激酶调节、血管发育、肌肉结构发育、心脏发育、肌细胞增殖、血管生成、缺氧反应、细胞-基质粘附、肌细胞黏附、横纹肌发育等生物学过程。MCODE 插件分析从 PPI 网络中检测到 3 个重要模块,筛选了MTOR、SMAD3、CDK1、DNMT1、AGT、TP53、CCL21等22个关键靶点。结论 1. 本研究以可靠确切的的心肌纤维化相关蛋白质数据集为基础,构建心肌纤维化蛋白互作网络,对揭示心肌纤维化的效应机制提供新颖见解。2.本研究充分合理的利用已有的先验知识,使分散的资源形成一个有机的整体,为广大科研研究人员后续进一步深入研究提供了确切的便利条件关键词:蛋白质相互作用网络;心肌纤维化;机制中图分类号:R285.5文献标识码:A中文科技期刊数据库(全文版)医药卫生22心血管疾病是当今人类高致死率的三大疾病之一,我国心血管疾病发病率呈上升趋势,其特点是年轻化、低龄化。心血管病负担日渐加重,已成为重大的公共卫生问题。心肌纤维化(Myocardial Fibrosis,MF)是高血压、心肌梗死、心衰等多种心血管疾病发展到一定阶段的共同病理改变,是增加心血管疾病发病率和死亡率的重要危险因素之一[1]。“未病先防,已病防变,已变防渐”,阻止和逆转心肌纤维化,不仅是防止心血管疾病进展、改善预后,降低心血管疾病病死率、病残率的重要环节,也是实现我过心血管疾病发病率和死亡率降低“拐点”早日到来,减轻国家经济和社会负担,促进我国经济进一步发展的关键。迄今,现代医学届尚未能找到心肌纤维化治疗的最完美的方法,尚无办法完全阻滞心肌纤维化的发展进程。例如,肾素-血管紧张素-醛固酮抑制剂可以减轻心肌纤维化,但虽经规范化的临床治疗过程,心肌纤维化仍可伴随心衰进展[3]。如依那西普及他汀类药物对心衰患者治疗未见有益作用[4-5]。越来越多的研究,已经表明心肌纤维化具有很强的异质性,在不同心脏疾病甚至同种疾病的不同类型间,心肌纤维化的形成机制也有所不同。如,在动物模型研究中发现,STAT1和STAT3信号通路以不同方式参与高血糖处理后的心肌成纤维细胞的增殖并引起胶原蛋白分泌,在调节心脏成纤维细胞增殖和I型胶原合成方面具有协同作用[6]。这些研究结果提示,心肌纤维化通常是多因素共同作用的结果,具有多种发病机制、多个病理环节和多基因相关性的复杂性生物学网络特点。这也提示了为什么既往针对单一靶点的药物干预疗效有限。随着诸多慢性复杂性心血管疾病的发病率和病死率逐渐增高,深入明确心肌纤维化发生、发展的关键机制,寻找科学、安全、有效的心肌纤维化多靶点防治方案是现阶段迫切需要解决的难题。以心肌纤维化为代表的复杂性疾病,很可能存在某些“关键调控点”,往往是这些“关键调控点”的变异通过分子间相互作用扩展到整个网络,影响特定的生物过程,从而导致复杂多样的疾病表型,这种观点得到越来越多学者认可[7]。我们迫切需要一种可以全面揭示心肌纤维化发生过程中的关键分子网络及其核心“关键调控靶点”的研究方法或手段。生物医学领域已经积累了大量的心肌纤维化相关文献数据,并且以很快的速度进行增长。但是,研究人员很难依靠传统的手工方式进行如此大规模息整理与归纳。数据处理、分析速度及对先验数据的利用度大大落后于数据的增长速度,造成了“数据丰富、信息贫乏、利用度低、资源浪费”局面。文献挖掘正是在“信息爆炸”的大数据时代掌握、利用海量文献资源,挖掘和整合文献信息的有效途径,已得到领域专家的认同,形成一套成熟可行的技术方法。因此,本研究拟利用文本挖掘和人工判读的方法,整合目前已知的由遗传学研究确定的与心肌纤维化相关的基因/蛋白,确定多种心血管疾病导致的心肌纤维化的关键致病/易感靶标,构建心肌纤维化相关蛋白质相互作用网络,从系统的整体网络角度揭示心肌纤维化的关

摘要：针对加权模块度函数聚类算法在蛋白质相互作用网络中进行复合物识别的准确率不高、召回率较低以及时间性能不佳等问题进行了研究,提出一种基于模块度函数的加权蛋白质复合物识别算法IWPC-MF(Algorithm for Identifying Weighted Protein Complexes based on Modularity Function)。融合点聚集系数改进边聚集系数,将改进后的边点聚集系数与基因共表达的皮尔逊相关系数结合来构建加权蛋白质网络;基于节点权重选取种子节点,遍历种子的邻居节点,设计节点间的相似度度量和蛋白质附着度来获取初始聚类模块;设计基于紧密度的蛋白质复合物模块度函数来合并初始模块,并最终完成复合物的识别,克服传统的模块度函数无法识别出重叠和规模较小的复合物的缺陷。将IWPC-MF算法应用在DIP数据上进行复合物的识别,实验结果表明IWPC-MF算法的准确率和召回率较高,能够较准确地识别蛋白质复合物。