Motif mining based on network space compression.
Motif mining based on network space compression.
复制标题
基于网络空间压缩的Motif挖掘
DOI：
10.1186/s13040-014-0029-x
复制
发表时间：
2015
期刊：
影响因子：
4.5
通讯作者：
Xu Y
中科院分区：
文献类型：
--
作者：
Zhang Q;Xu Y
网络基序是网络中反复出现的子网络，在实际的生物大分子应用中具有一定的功能。以往的算法主要关注网络基序检测的计算效率，但在存储空间和搜索时间方面存在一些问题。相当大的计算和空间复杂性也提出了重大挑战。本文提出了一种基于压缩搜索空间的motif挖掘新方法。根据奇偶节点的特点，减少了实图和随机图的搜索空间和存储空间，从而减少了验证子图同构的计算成本。在去掉奇偶节点和与奇偶节点相连的“重复边”后，我们得到了一个更小的新网络。基于反向跟踪法的随机图结构和子图搜索；所有子图都可以通过逐步添加边来搜索。实验结果表明，该算法具有较快的速度和较好的稳定性。
A network motif is a recurring subnetwork within a network, and it takes on certain functions in practical biological macromolecule applications. Previous algorithms have focused on the computational efficiency of network motif detection, but some problems in storage space and searching time manifested during earlier studies. The considerable computational and spacial complexity also presents a significant challenge. In this paper, we provide a new approach for motif mining based on compressing the searching space. According to the characteristic of the parity nodes, we cut down the searching space and storage space in real graphs and random graphs, thereby reducing the computational cost of verifying the isomorphism of sub-graphs. We obtain a new network with smaller size after removing parity nodes and the “repeated edges” connected with the parity nodes. Random graph structure and sub-graph searching are based on theBack Tracking Method; all sub-graphs can be searched for by adding edges progressively. Experimental results show that this algorithm has higher speed and better stability than its alternatives.
登录
查看更多内容
影响因子：
56.9
作者：
Milo, R;Shen-Orr, S;Alon, U
通讯作者：
Alon, U
影响因子：
3
作者：
Zhang M;Lu LJ
通讯作者：
Lu LJ
影响因子：
3
作者：
Kashani, Zahra Razaghi Moghadam;Ahrabian, Hayedeh;Masoudi-Nejad, Ali
通讯作者：
Masoudi-Nejad, Ali
影响因子：
2.2
作者：
Lau, John W.;So, Mike K. P.
通讯作者：
So, Mike K. P.
多亚基 RNA 聚合酶进行转录延伸和回溯长暂停的动态模型
影响因子：
2.9
作者：
Xie, Ping
通讯作者：
Xie, Ping