发表于
字数统计: 2.4k | 阅读时长 ≈ 8
  • 2005年北京大学，魏丽萍
  • 2006年清华大学，张毅
  • 2009年中国科学院数学研究所，任献文

在pathway方面有一篇文章，但是没有找到硕士文章，参考性较低。
国内找到的文章都是10年之前的，参考性很低。
重点放到国外

北京大学-生物信息学老师研究方方向和网络分析有关的文章

  • 张泽民
    F. Hwang, G. Atluri, R. Kuang, V. Humar, T. Starr, K.AT.Siverstein, P.M. Haverty, Z. Zhang, and J. Liu. (2013), Large-scale integrative network-based analysis identifies common pathways disrupted by copy number alterations across cancers”. BMC Genomics, 14:440

  • 2009-2011年，吉林大学，周春光国家自然科学基金项目-pathway预测方法研究

    • 生物信息学中的pathway预测研究对于理解生命系统中的生物过程以及疾病早期诊断方面具有十分重要的意义。本项目通过pathway元素识别和pathway结构图的构建两个阶段来研究pathway预测方法，并将图方法、聚类分析和统计学习理论等机器学习方法引入到pathway预测研究中，通过提出新的模型和算法来实现pathway的自动识别。在pathway预测中使用紧聚类方法预测pathway，能够达到很好的容噪效果；基于HMM的信号转导pathway重构；基于PSO的信号pathway动力学模型预测。通过以上方法研究，促进了系统生物学的应用基础研究，从而加快pathway预测的实用化和商业化的研究进展。

  • 基于量子计算的基因网络功能模块挖掘及涌现机制研究 曹涌 西南林业大学

  • 基于微生物相互作用的网络效应调控物种生长研究 肖延东 中国人民解放军国防科技大学

  • 从生物分子网络中挖掘功能模块和生物通路的模型与算法研究 章祥荪 中国科学院数学与系统科学研究院

    • 复杂网络特别是生物分子网络，是当前科学界的研究热点。从生物分子网络中挖掘重要信息（如功能模块和生物通路）是生物信息学和系统生物学中备受关注的核心问题。现有的理论和方法仍然存在重大不足，例如有向网络的处理、大规模网络的计算效率、对已知信息的利用等。本项目针对这些缺陷以及尚未探索的空白领域，运用运筹学中的最优化和图论方法，定义和识别生物分子网络中的局部结构特征，进而提取出有价值的生物信息。具体问题包括无向和有向网络模块划分定量评价，针对生物分子网络特别是有向代谢网络的有效划分算法，适合大规模网络比对（保守模块识别）的模型和算法，生物通路识别数学模型和算法，不完全信息下网络的信息挖掘等。本项目的研究将推动国内运筹学、生物信息学及计算机科学理论及算法的交叉研究，并形成一系列有广泛影响的具有自主知识产权的应用软件。
  • 基于特征挖掘的生物网络构建算法研究 熊赟 复旦大学
    • 生物网络的构建与分析是系统生物学的重要内容，有助于从整体上理解生物学进程。第二代测序技术使得单个测序仪输出数据量可达40Gb每天，大数据对生物网络分析提出新挑战。生物网络研究的技术问题是生物学家对数据挖掘中新型技术的跟踪和掌握不够及时；而数据挖掘专家没有很好理解生物网络特点。这导致数据挖掘研究领域中的最新研究成果难以直接用于生物网络构建和分析中。因此，如何结合生物领域知识和需求，利用数据挖掘领域中的新技术更有效的研究生物网络是生物信息学中的重要研究内容之一。生物序列的特征对于构建生物网络具有重要影响，是构建生物网络的关键，然而，由于目前生物序列中已知功能元件数量较少以及基因表达数据质量难以保证，导致序列间关联关系的识别和预测准确性不高，因此，影响生物网络构建的准确性。本项目围绕这一重要问题开展了研究，深入分析了生物序列数据的特点，结合现有的数据挖掘技术，研究并设计了生物序列特征挖掘算法，包括基于序列模式的保守功能元件挖掘算法、基于多数据域描述的非保守功能元件挖掘算法、功能元件组合挖掘算法、基因表达数据的特征挖掘算法。在此基础上，研究基于不同语义路径的异质生物网络模型和构建方法，所构建的生物网络具有语义相关性。这些研究成果为生物网络分析研究提供了基础。本项目工作进展顺利，完成了项目要求的各项指标。下一步的研究将在生物网络深层次挖掘方面，包括异质生物网络的关键模块挖掘、基于生物网络的药物和疾病挖掘研究等。

国外研究

主要看计算机专业的

网络推断揭示了调节酵母盐反应中生长和防御的途径中的新颖联系
这篇文章有生物学实验，参考性比较低。

中国农业大学研制的植物生物的基因组富集分析在线websever

  • 找到一个实验室，长期做生物网络分析相关研究

  • 在bioinformatics杂志官网寻找关键词：Graph, pathway

高通量数据预测信号通路

信号通路负责调节细胞过程，例如监测外部环境，跨膜传输信息以及做出细胞命运决定。考虑到可用的生物学数据的数量不断增加，并且最近发现表明许多疾病与细胞信号转导级联的破坏有关，因此计算机生物学中信号传导途径的计算机化发现已成为近年来的活跃研究主题。然而，信号通路的重建仍然是一个挑战，主要是因为需要用于预测因果关系的系统方法，例如边缘方向以及信号流中相互作用蛋白之间的激活/抑制。我们提出了一种预测信号传导途径的方法，该方法整合了蛋白质相互作用，基因表达，表型，和蛋白质复合信息。我们的方法首先使用基于有向边的算法找到候选途径，然后定义一个图模型以使用细胞周期基因表达和表型推断酵母中一致的途径的候选途径包括蛋白质之间的因果激活关系。然后，我们并入蛋白质复合物覆盖率信息，以决定最终的预测信号通路。我们展示了我们的方法使用不同的排名指标可以改善现有技术的预测结果。我们纳入蛋白质复合物覆盖率信息，以决定最终的预测信号通路。我们展示了我们的方法使用不同的排名指标可以改善现有技术的预测结果。我们纳入蛋白质复合物覆盖率信息，以决定最终的预测信号通路。我们展示了我们的方法使用不同的排名指标可以改善现有技术的预测结果。

发表于
字数统计: 515 | 阅读时长 ≈ 3

h-h外国人笔记

H-H 仿真软件

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
%===simulation time===
simulationTime = 100; %in milliseconds
deltaT=.01;
t=0:deltaT:simulationTime;


%===specify the external current I===
changeTimes = [0]; %in milliseconds
currentLevels = [50]; %Change this to see effect of different currents on voltage (Suggested values: 3, 20, 50, 1000)

%Set externally applied current across time
%Here, first 500 timesteps are at current of 50, next 1500 timesteps at
%current of zero (resets resting potential of neuron), and the rest of
%timesteps are at constant current
I(1:500) = currentLevels; I(501:2000) = 0; I(2001:numel(t)) = currentLevels;
%Comment out the above line and uncomment the line below for constant current, and observe effects on voltage timecourse
%I(1:numel(t)) = currentLevels;


%===constant parameters===%
%All of these can be found in Table 3
gbar_K=36; gbar_Na=120; g_L=.3;
E_K = -12; E_Na=115; E_L=10.6;
C=1;


%===set the initial states===%
V=0; %Baseline voltage
alpha_n = .01 * ( (10-V) / (exp((10-V)/10)-1) ); %Equation 12
beta_n = .125*exp(-V/80); %Equation 13
alpha_m = .1*( (25-V) / (exp((25-V)/10)-1) ); %Equation 20
beta_m = 4*exp(-V/18); %Equation 21
alpha_h = .07*exp(-V/20); %Equation 23
beta_h = 1/(exp((30-V)/10)+1); %Equation 24

n(1) = alpha_n/(alpha_n+beta_n); %Equation 9
m(1) = alpha_m/(alpha_m+beta_m); %Equation 18
h(1) = alpha_h/(alpha_h+beta_h); %Equation 18


for i=1:numel(t)-1 %Compute coefficients, currents, and derivates at each time step
   
    %---calculate the coefficients---%
    %Equations here are same as above, just calculating at each time step
    alpha_n(i) = .01 * ( (10-V(i)) / (exp((10-V(i))/10)-1) );
    beta_n(i) = .125*exp(-V(i)/80);
    alpha_m(i) = .1*( (25-V(i)) / (exp((25-V(i))/10)-1) );
    beta_m(i) = 4*exp(-V(i)/18);
    alpha_h(i) = .07*exp(-V(i)/20);
    beta_h(i) = 1/(exp((30-V(i))/10)+1);
   
   
    %---calculate the currents---%
    I_Na = (m(i)^3) * gbar_Na * h(i) * (V(i)-E_Na); %Equations 3 and 14
    I_K = (n(i)^4) * gbar_K * (V(i)-E_K); %Equations 4 and 6
    I_L = g_L *(V(i)-E_L); %Equation 5
    I_ion = I(i) - I_K - I_Na - I_L;
   
   
    %---calculate the derivatives using Euler first order approximation---%
    V(i+1) = V(i) + deltaT*I_ion/C;
    n(i+1) = n(i) + deltaT*(alpha_n(i) *(1-n(i)) - beta_n(i) * n(i)); %Equation 7
    m(i+1) = m(i) + deltaT*(alpha_m(i) *(1-m(i)) - beta_m(i) * m(i)); %Equation 15
    h(i+1) = h(i) + deltaT*(alpha_h(i) *(1-h(i)) - beta_h(i) * h(i)); %Equation 16

end


V = V-70; %Set resting potential to -70mv

%===plot Voltage===%
plot(t,V,'LineWidth',3)
hold on
legend({'voltage'})
ylabel('Voltage (mv)')
xlabel('time (ms)')
title('Voltage over Time in Simulated Neuron')


%===plot Conductance===%
figure
p1 = plot(t,gbar_K*n.^4,'LineWidth',2);
hold on
p2 = plot(t,gbar_Na*(m.^3).*h,'r','LineWidth',2);
legend([p1, p2], 'Conductance for Potassium', 'Conductance for Sodium')
ylabel('Conductance')
xlabel('time (ms)')
title('Conductance for Potassium and Sodium Ions in Simulated Neuron')

发表于
字数统计: 652 | 阅读时长 ≈ 2

/* # youtube Ask
Thanks！May I ask you a question? How Converting ion flux into ion current？My mail address is squarefaceyao@gmail.com

ion flux 和 ion flow 不是同一个意思，量纲单位不一致。

离子流ion flux 与通道电流还是有关系的

Fick First law

离子通量和通过膜的电流之间的关系

1. Cellular Physiology and Neurophysiology by Mordecai P. Blaustein, Joseph P. Y. Kao, Donald R. Matteson

这本神经科学的书中有涉及到

综上所示，用通量J讨论了离子通过膜的运动，通量J是每单位时间通过膜单位面积移动的离子的摩尔数。为了方便在细胞电的讨论，使用流过膜的电流（表示为I）而不是离子通量的概念。这两个概念是等效的，并且以简单的方式关联。电流是单位时间内电荷的运动。将通量转换为电流需要弄清楚离子的摩尔数与它们携带的电荷量之间的关系。如果每个离子具有z个电荷，则每摩尔离子有z摩尔电荷。此外，要将摩尔单位转换为电子单位，我们需要使用法拉第常数F=96485 C/mol。

离子通量和通过膜的电流之间的关系为：

I=ZF\times J\times A_{mem}

其中A_{mem}是发生通量/电流的膜面积。通量和电流这两个数量可以通过转换因子直接关联，可以认为是不同单位中的相同数量。
不同的符号约定用于描述细胞生理学中的通量和电流。 在通量理论中，将任何种类的“粒子”（即正离子，负离子或中性分子）流入电池的流量定义为正流量，而将正电荷从电池中流出的流量定义为正流量 电气理论中的最新知识。 表B-1总结了物理上可能出现的四种情况

物理学-电磁部分（邝 译）

  • 311页提到电流和扩散通量的关系，如下图

这里提到的是扩散通量，和MIFE计算的离子流速到的是一样的吗？

那么扩散通量是如何计算的呢？用到Fick First Law,在253页

薛琳师姐论文40有页介绍离子流速计算公式，也用到Fick定律

  • 从计算公式上看出来，离子流速=扩散通量。那么电流
  • 需要注意净通量，在254页提到净通量，是扩散通量和外力作用通量之和。这里也要区分净通量和离子流速的区别

发表于
字数统计: 188 | 阅读时长 ≈ 1

Communication and Information Theory of Single Action Potential Signals in Plants

这篇文章提出分子通信的概念，可以把分子看作是一种信息或一种信息的载体，采用扩散和主动传输的方法进行通信。

作者在文中声明，以下研究假设AP信号是单个细胞发出的。并且只考虑细胞间通信，

目的

通过与没有AP信号的情况进行比较，研究AP信号对发射区域的互作用和传播速度的影响，并探索AP的传播范围

方法

  1. model for the generation of single action potential signals in a plant cell.
  2. 基于扩散分子通信概念，研究AP信号和输出分子数量的关系
  3. 计算传播速度