一种适用于木聚糖酶氨基酸相互作用网络聚类的S‑FCM算法制造技术

本发明专利技术公开了一种适用于木聚糖酶氨基酸相互作用网络聚类的S‑FCM算法，属于计算机应用技术领域。本发明专利技术方法针对FCM算法的参数依赖性强和对初始聚类中心敏感的缺陷作出改进。S‑FCM算法首先引入了基于密度的数据预处理方法，使其可以根据输入的木聚糖酶氨基酸相互作用网络自身的密度特性来获取初始聚类中心以及分类数目，保证聚类结果的可靠性。其次，考虑氨基酸的序列特征对聚类结果的影响，在距离特征的基础上加入了氨基酸的序列特征，这提高了聚类的精确度。本发明专利技术方法在FCM算法的基础上，针对该算法的一些缺陷做出改进，并对木聚糖酶氨基酸相互作用网络进行聚类，为从社团的角度研究蛋白质的稳定性提供了一个新的途径。

Suitable for xylanase S amino acid FCM mutual network clustering algorithm

The invention discloses a method for interaction network clustering S FCM algorithm in xylanase amino acid, which belongs to the technical field of computer application. The method of the invention is improved according to the strong dependence of the parameters of the FCM algorithm and the sensitivity to the initial clustering center. S FCM algorithm first introduced data pretreatment method based on density, so that it can be based on the input of the xylanase amino acid density characteristics of the network itself with each other to obtain the initial clustering center and the classification number, to guarantee the reliability of clustering results. Secondly, considering the influence of amino acid sequence characteristics on the clustering results, the sequence characteristics of amino acids are added to the distance feature, which improves the accuracy of clustering. The method of the invention is based on the FCM algorithm, aiming at some defects of the algorithm is improved, and the xylanase amino acid interaction network clustering, provides a new way for the study of protein stability from the community perspective.

【技术实现步骤摘要】
一种适用于木聚糖酶氨基酸相互作用网络聚类的S-FCM算法
本专利技术公开了一种适用于木聚糖酶氨基酸相互作用网络聚类的S-FCM算法，属于计算机应用
具体的说就是在模糊C均值聚类算法(FCM算法)的基础上，引入了基于密度的数据预处理方法，同时在距离特征的基础上加入了氨基酸的序列特征，提高了聚类结果的稳定性和精确度，该方法为从社团的角度研究蛋白质热稳定性提供了一个新的途径。
技术介绍
木聚糖酶广泛分布于各种生物体内，其能够将木聚糖催化水解为五碳糖。现在耐热木聚糖酶因能在高温下保持活性而广泛应用于工业生产中：纸张漂白，农业饲料，生物转化等。研究耐热木聚糖酶热稳定性的作用机理必将产生显著的社会效益和经济效益。对蛋白质热稳定性的影响不只是单一氨基酸作用，而是多个氨基酸通过相互作用形成社团，在时间和空间上协调一致，来维持蛋白质热稳定性。将蛋白质编码成氨基酸相互作用网络，借助复杂网络社团结构分析方法，揭示氨基酸的内在联系，对于理解蛋白质的功能以及分析网络中氨基酸之间的行为具有重要的理论意义。因此，用聚类算法将蛋白质中氨基酸相互作用网络划分成簇，从社团的角度研究木聚糖酶的热稳定性是一条有效的途径。RodriguezA(《Clusteringbyfastsearchandfindofdensitypeaks》Science,2014,344(6191):1492-1496)等提出了基于密度的方法，在网络中寻找高密段连通的子网络。作为寻找完全连通子图的最大团算法，它能从氨基酸相互作用网络中检测出那些高度连接的蛋白质，但是它不能对存在大量稀疏节点的网络进行分类。MayerB(《Influenceofsolvationonthehelix-formingtendencyofnonpolaraminoacids》，JournalofMolecularStructureTheochem,2000,532(1):213-226)提出的模糊C均值聚类方法属于划分的方法，该方法研究网络中所有孤立点的每个部分。该算法要找到一个最佳的划分使得所用的类的功能函数值之和最小。这个方法的最大的缺点就是要事先知道要划分的目标类的确定个数以及初始聚类中心。BhattacharjeeN(《StructuralPatternsinHelicesandSheetsinGlobularProteins》，Protein&PeptideLetters,2009,16(8):953-960)等发现了蛋白质中氨基酸社团与二级结构以及结构域之间有很好的对应关系，为分析社团对蛋白质热稳定性的影响提供了理论基础。本专利技术提出的S-FCM算法是在引入了基于密度的数据预处理方法后，在FCM算法的距离特征的基础上加入了氨基酸的序列特征，从而提高了聚类结果的稳定性和精确度，已经成功应用在木聚糖酶氨基酸相互作用网络的聚类中。文献及专利中未见有人将基于密度的数据预处理方法引入FCM算法中，也未见在FCM算法中引入氨基酸序列特征作为分类标准。
技术实现思路
有鉴于此，本专利技术的目的是在FCM算法的基础上，引入基于密度的数据预处理方法，获得初始聚类中心以及分类数目，同时在聚类标准中加入氨基酸的序列特征，提高聚类结果的稳定性和精确度。本专利技术的技术方案：S-FCM算法及在木聚糖酶氨基酸相互作用网络中的应用，采用了下列步骤：(1)基于密度的数据预处理方法选定初始聚类中心以及分类数目使用基于密度的聚类算法思想，确定氨基酸相互作用网络中每个氨基酸节点的局部密度以及距离。找出的聚类中心被具有较低局部密度的邻居点包围，且与更高密度的其他点有相对较大的距离。通过该算法对数据进行预处理，可以获得反映数据空间密度分布特征的代表点。同时可以根据聚类中心的数目确定分类数目。(2)加入氨基酸序列特征作为分类标准在蛋白质中，氨基酸形成二级结构具有倾向性。序列上相邻的氨基酸，可能在同一个二级结构中，也可能在不同的二级结构中，氨基酸形成二级结构的倾向性受到周围氨基酸的影响。所以在距离特征的基础上加入序列特征后进行模糊聚类。(3)构建目标函数方程基于距离特征与序列特征建立目标函数方程，根据已经确定好的初始聚类中心以及分类数目计算目标函数的极小值。得到隶属度矩阵，确定聚类结果。所述的适用于氨基酸相互作用网络聚类的S-FCM算法，其特征在于用基于密度的数据预处理方法确定初始聚类中心以及分类数目。然后将氨基酸序列特征加入到模糊C均值聚类算法中，使聚类结果的可靠性增加，并同时提高了聚类结果精确度。基于密度的数据预处理思想，就是找到那些局部密度较大，同时聚类中心之间的距离也较大的节点即聚类中心。聚类中心被具有较低局部密度的邻居点包围，且与更高密度的其他点有相对较大的距离，这些节点可以反映出数据空间密度分布特征。FCM算法是用隶属度确定每个数据点属于某个类的程度的一种聚类算法。它的思想是：被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。这是对隶属度函数求极小值的问题。在数据挖掘，图像处理，蛋白质相互作用网络聚类上都有广泛的应用。针对FCM算法的缺点，引入了基于密度的数据预处理机制，同时加入了氨基酸之间的序列特征，对木聚糖酶氨基酸相互作用网络进行聚类分析。待聚类的数据集表示网络中的氨基酸节点，对于S中的任何数据点，可以为其定义两个量。公式如下：数据点i的局部密度ρi定义为：dij代表节点的欧几里得距离，dc表示截断距离，dc的选取在算法描述中详细介绍。数据点i的距离δi为：其中，数据集当Xi具有较大的局部密度时，δi表示S中Xi与距离最大的数据点之间的距离；否则，δi表示在所有局部密度大于Xi的数据点中，与Xi距离最小的那些数据点之间的距离。预处理算法描述如下：1.从数据集S中获取节点的位置信息，计算出距离矩阵dij。2.对距离矩阵进行升序排列，选取前1％个距离设定为截断距离dc。3.根据公式2,3计算出每个节点的ρi和δi。基于步骤3中的结果，把局部密度和距离都较大的“离群点”作为S-FCM算法的初始聚类中心，初始聚类中心的数目作为分类数目。确定数据集S和分类数目C，以及初始聚类中心后，FCM算法是下列目标函数求极小值问题，函数如下：公式中(3)j为待聚类节点数量；i为分类数目；uij为第j个节点属于第i个聚类中心的隶属度；Ci为第i个社团的聚类中心；d为节点间的欧几里得距离。显然，FCM算法没有考虑到样本不同属性对分类贡献的差异，在蛋白质中，氨基酸形成二级结构是有倾向性的，序列上相邻的氨基酸可能在同一个二级结构中，也可能在不同的二级结构中，氨基酸形成二级结构的倾向性受到周围氨基酸的影响。所以，本专利技术在考虑距离的基础上，加入了氨基酸的序列特征，将序列特征引入目标函数。那么，对氨基酸相互作用网络聚类的问题可以表示为公式(4)目标函数求极小值的问题。本专利技术中模糊参数m取2.其中sq表示节点间的序列特征，定义参数α＞0是定义序列特征所占的权重，当α增加，序列特征的影响大于距离特征。算法评价分为内部评价和外部评价，内部评价是模块度，外部评价是二级结构准确率。模块度：m表示在整个网络中边的数量；Avw表示网络中节点形成的实际边数，表示随机网络下边数期望值。δvw表示节点是否在同一个社区，是则等于1，否则等于本文档来自技高网...

【技术保护点】
一种适用于木聚糖酶氨基酸相互作用网络聚类的S‑FCM算法，算法流程如下：(1)基于密度的数据预处理方法选定初始聚类中心以及分类数目计算并根据木聚糖酶氨基酸相互作用网络中每个氨基酸节点的局部密度以及与其它氨基酸节点的距离，确定被具有低局部密度的邻居点包围，且与高密度的其他点有相对较大的距离的类簇中心，类簇中心的个数即为分类数目。通过对数据进行预处理，获得反映数据空间密度分布特征的代表点。所计算的氨基酸节点之间的距离作为S‑FCM算法的距离特征向量。(2)加入氨基酸序列特征作为新的分类标准计算木聚糖酶氨基酸序列中每个氨基酸与其它氨基酸相互影响的概率，作为算法的序列特征向量。(3)构建目标函数方程基于距离特征与序列特征建立目标函数方程，根据已经确定好的初始聚类中心以及分类数目计算目标函数的极小值。得到隶属度矩阵，确定聚类结果。

【技术特征摘要】
1.一种适用于木聚糖酶氨基酸相互作用网络聚类的S-FCM算法，算法流程如下：(1)基于密度的数据预处理方法选定初始聚类中心以及分类数目计算并根据木聚糖酶氨基酸相互作用网络中每个氨基酸节点的局部密度以及与其它氨基酸节点的距离，确定被具有低局部密度的邻居点包围，且与高密度的其他点有相对较大的距离的类簇中心，类簇中心的个数即为分类数目。通过对数据进行预处理，获得反映数据空间密度分布特征的代表点。所计算的氨基酸节点之间的距离作为S-FCM算法的距离特征向量。(2)加入氨基酸序列特征作为新的分类标...

【专利技术属性】
技术研发人员：丁彦蕊，饶榕，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32