基于流感病毒感染不同物种高通量数据的动态分子网络构建和关键特征研究

Based on the multi-omics high throughput data of human, monkey and mouse infected by influenza virus, this project tries to solve two problems: 1) Construct mathematical model for dynamic molecular network of virus infected through integrating multi-omics data and develop method for parameters optimization; 2) Design new algorithms for predicting key features of dynamic molecular network. Such as dynamic protein complexes, key proteins, molecular biomarkers etc. Through analysis of the two problems and the compare analysis of structure as well as dynamic features on multi-species molecular networks，try to reveal the evolution law of the dynamic network for multi-species. This research results provide help for revealing the pathogen mechanism of anti swine flu virus and have valuable preferences for the integrating of multi-omics high throughput data, constructing of dynamic molecular network and designing of algorithms for mining key features on dynamic network.

本项目拟基于人类、猕猴和老鼠等物种在感染流感病毒后的多组学高通量数据，解决两个问题：1）集成多组学数据，构建感染病毒后的动态分子网络的数学模型，并设计新方法对模型中参数进行优化；2）设计预测动态分子网络中动态关键特征的算法。例如：预测动态分子网络中动态复合物、关键蛋白和分子标记物等。通过对这两个问题的研究，并对多物种动态分子网络的结构以及动态特征加以比较，揭示不同物种动态网络的演化规律。研究成果将为揭示新型流感病毒的致病机理提供帮助，同时对多组学数据整合分析、动态分子网络构建以及动态网络关键信息挖掘算法的设计具有一定的理论价值。

本项目按原计划顺利进行，基于不同物种感染流感病毒的高通量组学数据，构建动态分子网络，系统的比较了不同物种感染流感病毒后分子网络的特征，在挖掘分子网络关键信息算法设计方面提出了新的方法。项目的研究成果将为进一步揭示疾病及重要生理过程中起着关键作用的分子调控机制提供理论依据。 .本项目的主要成果包括： .1、在蛋白质分子网络中关键信息挖掘算法设计方面：通过深入分析关键蛋白质在蛋白质分子网络中所体现的特性，结合蛋白质相互作用数据、基因功能注释信息数据(GO annotation information)和基因时序表达数据，提出了一种新的预测蛋白质相互作用网络中关键蛋白质的方法，通过测试数据验证发现该方法不仅鲁棒性强，而且预测精度高，不涉及任何中间参数具有很好的通用性。.2、在蛋白质相互作用关系预测方面: 基于多数据源设计了一种基于两个阶段过滤的预测蛋白质相互作用关系的算法并通过三组测试数据验证了算法的有效性。.本项目取得了创造性的研究成果，在国际重要学术刊物上发表SCI学术论文2篇，获得授权国家发明专利一项。

内容获取失败，请点击重试