Méthode de reconnaissance de complexes protéiques basée sur un réseau neuronal hypergraph dynamique

L'identification précise des complexes protéiques a une valeur scientifique et pratique significative dans la recherche sur les maladies, le bioengineering et la compréhension des activités vitales. Les algorithmes d'identification actuels sont basés sur des structures de graphes et ne tiennent pas compte de la nature de haute ordre des interactions entre protéines, ce qui entraîne une qualité et une efficacité d'identification insuffisantes. Compte tenu des avantages des hypergraphes dans le traitement des données de haute ordre et l'efficacité computationnelle, un algorithme d'identification de complexes protéiques basé sur un réseau neuronal hypergraph dynamique (PCI-DHNN) est proposé. Tout d'abord, en tenant compte des caractéristiques dynamiques et variables dans le temps des réseaux protéiques, le réseau protéique est découpé en tranches temporelles en utilisant le cycle d'activité des protéines. Ensuite, des sous-réseaux protéiques dynamiques sont construits sur la base de la théorie des hypergraphes. Sur cette base, un opérateur de convolution hypergraph est conçu pour l'apprentissage de caractéristiques des sous-réseaux protéiques afin d'obtenir une matrice d'appartenance décrivant les relations potentielles entre protéines et complexes. Enfin, les complexes protéiques ont été identifiés à l'aide d'un modèle de mélange de Bernoulli. Les résultats de simulation expérimentale sur quatre ensembles de données de réseaux protéiques d'espèces de levure montrent qu'en comparaison avec les algorithmes d'identification typiques de complexes protéiques actuels, le PCI-DHNN offre de meilleures performances en termes de rappel, de précision, de score F1, de taux de couverture et d'enrichissement fonctionnel, et présente une fiabilité supérieure.