基于极端途径的生化网络模块化分析

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (33): 120-122.

• 数据库、信号与信息处理 • 上一篇下一篇

基于极端途径的生化网络模块化分析

丁德武1，黄海生1，吴璞1，王汝传2

1.池州学院数学与计算机科学系，安徽池州 247000
2.南京邮电大学计算机学院，南京 210003

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-11-21 发布日期:2011-11-21

Modularization analysis of biochemical network based on extreme pathway

DING Dewu1，HUANG Haisheng1，WU Pu1，WANG Ruchuan2

1.Department of Mathematics and Computer Science，Chizhou University，Chizhou，Anhui 247000，China
2.School of Computer Science and Technology，Nanjing University of Posts and Telecommunications，Nanjing 210003，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-11-21 Published:2011-11-21

摘要/Abstract

摘要： 近年来，对于复杂生化网络系统进行模块化分析引起了科研人员的极大关注。一般认为，模块化分析有助于理解这些网络的结构与功能关系。但是，当前的模块化分析方法大多将生化网络考虑为普通的复杂网络，所得模块的生物学意义较低。介绍了化学计量矩阵及极端途径分析等基本概念，对苏云金杆菌的丁醇代谢系统进行建模分析，研究结果表明：极端途径分析可用于识别网络中的功能模块，具备较好的生物学意义。

关键词: 生化网络, 复杂网络, 极端途径, 模块化

Abstract: There is a general interest in modularization analysis of biochemical networks in recent years.Generally，modularization analysis can be helpful for understanding the structure and function of these networks.However，almost all of current methods consider biochemical networks as general complex networks，resulting in modules’ biological insignificance.After the introduction of the basic for stoichiometric matrix and extreme pathway analysis，the butanoate metabolism of Bacillus thuringiensis is analyzed.The results suggest that extreme pathway analysis can identify functional modules in biochemical networks，with better biological significance.

Key words: biochemical network, complex network, extreme pathway, modularization

丁德武1，黄海生1，吴璞1，王汝传2. 基于极端途径的生化网络模块化分析[J]. 计算机工程与应用, 2011, 47(33): 120-122.

DING Dewu1，HUANG Haisheng1，WU Pu1，WANG Ruchuan2. Modularization analysis of biochemical network based on extreme pathway[J]. Computer Engineering and Applications, 2011, 47(33): 120-122.

[1]	马满福，郭晨彪，李勇，张钟颖，张强，王常青. 基于结构熵的注意力流网络异构性研究[J]. 计算机工程与应用, 2021, 57(23): 98-105.
[2]	石宇强，田永政，张雨琦，石小秋. 运用含复杂网络结构的多种群遗传算法求解FJSP[J]. 计算机工程与应用, 2021, 57(2): 257-266.
[3]	李金海，何有世，张鹏. 融合情境语义推理及社会网络的团购推荐研究[J]. 计算机工程与应用, 2021, 57(18): 163-171.
[4]	陈杰，程胜，徐梦，史豪斌. 面向医疗辅助诊断的可视化多属性决策方法[J]. 计算机工程与应用, 2020, 56(8): 249-255.
[5]	王安，顾益军. 基于社区划分的节点重要性评估方法[J]. 计算机工程与应用, 2020, 56(8): 42-48.
[6]	赵亮，朱征宇. 融入K-核迭代因子的重叠社区发现算法[J]. 计算机工程与应用, 2020, 56(3): 61-67.
[7]	杜轻，辛守庭，雷新宇，于海涛. 基于脑网络和TSK模糊系统的癫痫脑电识别[J]. 计算机工程与应用, 2020, 56(2): 133-140.
[8]	易成岐，郭鑫，童楠楠，窦悦，陈东，王建冬. 基于启发式社团发现模型的创新态势研判算法[J]. 计算机工程与应用, 2020, 56(15): 74-79.
[9]	蔡菲，张鑫，牟晓慧，陈杰，蔡珣. 深度非负矩阵分解的链路预测方法研究[J]. 计算机工程与应用, 2020, 56(15): 153-161.
[10]	张昕，郭阳. 复杂网络中的一种介度熵抗毁性度量方法[J]. 计算机工程与应用, 2020, 56(12): 105-111.
[11]	盛津芳，刘家广，王斌. 基于Katz自动编码器的城市路网链路预测模型[J]. 计算机工程与应用, 2019, 55(8): 116-123.
[12]	姚蓉1，杨雄1，杨鹏飞1，阴桂梅1，2，李海芳1. 精分EEG脑网络同步稳定性研究[J]. 计算机工程与应用, 2019, 55(5): 60-64.
[13]	陈紫扬，张月霞. 结合二层节点度和聚类系数的链路预测算法[J]. 计算机工程与应用, 2019, 55(23): 40-44.
[14]	张昕，严沛，郭阳，王慧慧. 基于k-shell的复杂网络最短路径近似算法[J]. 计算机工程与应用, 2019, 55(14): 54-60.
[15]	朱晓霞，胡小雪. 基于改进k-shell算法的节点影响力的识别[J]. 计算机工程与应用, 2019, 55(1): 35-41.

基于极端途径的生化网络模块化分析

Modularization analysis of biochemical network based on extreme pathway

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics