基于多网络数据协同矩阵分解预测蛋白质功能

来源：计算机研究与发展杂志2017年第12期北京时间：

作者：余国先,王可尧,傅广垣,王峻,曾安,

摘要：准确预测蛋白质功能是生物信息学的核心任务之一，也是人工智能在生物数据分析中的重要应用点之一.高通量技术的广泛应用产生了大量的生物分子功能关联网络，整合这些网络可更为全面地分析理解蛋白质功能机理，提升蛋白质功能预测精度.已有多种基于数据整合的蛋白质功能预测方法，但它们通常难以应用到较大功能标签空间，未利用标签间关联性和差异性整合多个网络.提出一种基于多网络数据协同矩阵分解的蛋白质功能预测方法(ProCMF).该方法首先利用非负矩阵分解将蛋白质-功能标签关联矩阵分解为2个低秩矩阵,挖掘蛋白质与标签之间的潜在关联.其次，为利用标签间关联关系和多种蛋白质特征数据，ProCMF分别基于上述2个低秩矩阵定义平滑正则性，约束指导低秩矩阵的协同分解.为了差异性地集成多个网络，ProCMF对不同的网络设置不同的权重.最后ProCMF将上述目标统一到一个目标方程中，并用一种交替迭代的方法分别优化求解低秩矩阵和网络权重.在酵母菌、人类和老鼠3个模式物种的多网络数据集上的实验结果表明：ProCMF获得了较其他相关算法更好的预测性能，ProCMF能有效地处理大量的功能标签和区分性地整合多个网络.

关键词：蛋白质功能预测, 功能关联网络, 网络集成, 非负矩阵分解, 协同分解,