介绍产电微生物胞外电子传递(extracellular electron transfer,EET)研究的背景和意义,概述细胞色素c、菌毛蛋白、电子介体等多种分子在EET过程中的作用,综述近年来利用网络方法和组学方法研究产电微生物EET过程的相关工作。从蛋白网络...
详细信息
介绍产电微生物胞外电子传递(extracellular electron transfer,EET)研究的背景和意义,概述细胞色素c、菌毛蛋白、电子介体等多种分子在EET过程中的作用,综述近年来利用网络方法和组学方法研究产电微生物EET过程的相关工作。从蛋白网络、调控网络与整合网络等方面总结网络分析方法在关键电子传递分子识别、电子传递模块挖掘、电子传递途径推断等方面的应用;从基因组、转录组、蛋白组、多组学与宏组学等方面总结使用组学方法识别电子传递基因及其功能分析方面的研究;介绍整合生物网络与组学数据在产电微生物EET过程生物分子协调利用、关键基因与基因簇识别等方面的研究。探讨当前存在的问题,展望未来整合多种生物网络和组学数据开展产电微生物EET研究的方向。
针对信息网络(text-based information network)现有研究多基于网络自身信息建模,受限于任务语料规模,只使用任务相关文本进行建模容易产生语义漂移或语义残缺的问题,本文将外部语料引入建模过程中,利用外部语料得到的词向量对建模过程...
详细信息
针对信息网络(text-based information network)现有研究多基于网络自身信息建模,受限于任务语料规模,只使用任务相关文本进行建模容易产生语义漂移或语义残缺的问题,本文将外部语料引入建模过程中,利用外部语料得到的词向量对建模过程进行优化,提出基于外部词向量的网络表示模型NE-EWV(network embeddingbased on external word vectors),从语义特征空间以及结构特征空间两个角度学习特征融合的网络表示。通过实验,在现实网络数据集中对模型有效性进行了验证。实验结果表明,在链接预测任务中的AUC指标,相比只考虑结构特征的模型提升7%~19%,相比考虑结构与文本特征的模型在大部分情况下有1%~12%提升;在节点分类任务中,与基线方法中性能最好的CANE性能相当。证明引入外部词向量作为外部知识能够有效提升网络表示能力。
暂无评论