图是人工智能领域的重要数据结构和表征形式,作为大图的典型代表,生物网络是研究分子互作及复杂生命系统动态行为的基础,已成为生物大数据挖掘的研究前沿。但是,生物数据量大、高维、多源异质和多尺度等特性使得传统图分析与挖掘方法难以应用,已成为生物大数据时代面临的重要挑战。为此,迫切需要发展更加高效的大图模式分析和挖掘的新理论及新方法,对精确生物网络建模与挖掘、理解复杂生物系统和加速生物医学研究步伐具有重要意义。
该项目的主要创新点包括:(1)针对大规模网络中因果关系模
式隐蔽的关键难题,发展了大图因果关系挖掘理论模型,成功应用于
基因网络中直接调控关系的识别;(2)突破了大图数据挖掘中图匹
配复杂度高的瓶颈,提出了大图匹配和模块挖掘的最优化算法,克服
了大规模基因网络比较时节点和拓扑结构无法兼顾的困难;(3)揭
示了基因网络的动力学模式特征,提出了一种带有时滞效应和加和调
控功能的网络模型,并给出了基因调控网络稳定性的充分条件,为控
制基因调控网络提供了理论基础。
项目的 8 篇代表性论文发表在 PNAS 等国际著名期刊,在国内外
同行中产生广泛影响,得到了多位 IEEE/ACM 会士和各国院士的积
极引用和正面评价。
1 赵兴明 男 *** 教授 博士 复旦大学
在国家自然基金项目(91130032)资助下,对科学发现点
一和二有突出贡献,发展了大图中因果关系挖掘的理
论模型,提出了分子通路互作网络的概念,提出了药物
效应网络模块的新量化指标和网络模块挖掘的最优化
算法。是代表论文1、2、3 的主要贡献者,并参与了中
科院战略先导科技专项(XDB13040700)的部分研究。
2 李春光 男 *** 教授 博士 浙江大学
在国家自然基金项目(61171153)资助下,对科学发现
点三有突出贡献,揭示了分数阶网络的动力学特征,给
出了分数阶网络混合状态的条件;提出了一种具有加
和调控功能的基因调控网络随机非线性模型,给出了
基因调控网络稳定性的充分条件,为控制基因调控网
络提供了理论基础。是代表论文6、7、8的主要贡献者。
3 陈洛南 男 *** 研究员 博士
中国科学院
分子细胞科学
卓越创新中心
评价单位:- (-)
评价时间:2023-04-24
综合评价
本技术能实现很好的社会效益, 建议推广。
查看更多>
评价单位:- (-)
评价时间:2023-04-24
综合评价
本技术能实现很好的社会效益, 建议推广。
查看更多>