14、基于松弛邻域的图变换用于蛋白质功能预测的有效预处理

基于松弛邻域的图变换用于蛋白质功能预测的有效预处理

1. 引言

在蛋白质功能预测领域，通过分析蛋白质相互作用（PPI）网络数据集来进行预测是一个重要的研究方向。传统方法在提取节点邻域和建立节点间相似性时，往往依赖于特定的相似性标准。然而，这些方法可能存在性能瓶颈，例如无法充分挖掘潜在的相似关系，或者容易引入噪声。为了改善这些问题，提出了一种基于松弛邻域的图变换方法，旨在提高蛋白质功能预测的准确性。

2. 方法原理

2.1 邻域提取与相似性建立

在PPI网络中，每个节点的邻域通常根据指定的相似性标准进行提取，而两个节点之间的相似性则基于共同邻居的数量来建立。不同的相似性标准会导致不同的邻域提取和相似性计算方法。

为了提高性能，提出了一种松弛邻域方法。该方法通过降低相似性阈值来提取更多的邻域节点，期望增加邻域内蛋白质的数量，从而建立更多的蛋白质间关系。然而，这种松弛的相似性可能会引入噪声关系。为了避免这种情况，在建立两个蛋白质之间的关系时，不仅要考虑共同邻居的数量，还要检查由共同邻居形成的子图的属性。

例如，在一个包含7个蛋白质的图中，使用连接两个蛋白质的路径上的边数作为距离度量来收集邻域节点。当路径距离为1时，节点的邻域节点较少；当路径距离为2时，邻域节点数量增加。通过比较不同路径距离下节点的共同邻居数量、Jaccard相似性和链接密度，可以决定是否在两个节点之间添加边。

2.2 具体方法

• 松弛邻域提取（Relaxed Neighborhood Extraction） ：对于PPI网络中的每个蛋白质，使用松弛邻域相似性（