本发明公开了一种基于遗传算法的生物网络比对方法,包括以下步骤:步骤1:读取源网络、目标网络数据文件及其序列相似性得分文件;步骤2:计算源网络、目标网络中节点的重要性得分,结合网络的拓扑相似性和序列相似性得分计算节点对相似性得分;步骤3:基于节点对相似性得分初始化种群;步骤4:计算种群中个体的适应度值;步骤5:选择、交叉产生下一代;步骤6:重复步骤4、步骤5直至目标函数收敛或迭代次数达到阈值。本发明计算了节点在网络中的拓扑重要性,结合节点对的序列信息,充分挖掘网络节点的拓扑和生物信息,使比对结果在拓扑特性和生物特性上保持均衡的高指标。

步骤1：读取源网络、目标网络数据文件及其序列相似性得分文件；

步骤2：计算源网络、目标网络中节点的重要性得分，结合网络的拓扑相似性和序列相似性得分计算节点对相似性得分；

步骤3：基于节点对相似性得分初始化种群；

步骤4：计算种群中个体的适应度值；

步骤5：选择、交叉产生下一代；

步骤6：重复步骤4、步骤5直至目标函数收敛或迭代次数达到阈值。

网络比对是复杂网络的一个研究方向，可以应用在生活中常见的交通网络、社会网络、生物网络等。其中，生物网络比对是一种常用的研究生物分子间相互作用的方法，也是分析物种间功能差异的重要手段，通过对生物网络的比较，可以挖掘物种间功能的差异性、物种间的知识转移、系统发育关系等。

现有的生物网络全局比对方法主要有以下几种：

(1)“SPINAL:scalable protein interaction network aligment”(期刊出处：Bioinformatics.2013,4(29):917–924)该算法基于局部邻域匹配构建初始相似性矩阵并由此得到粗粒度的比对结果，使用种子扩展方法以及基于迭代交换的局部改进方法得到细粒度结果。算法存在的问题：节点的生物信息挖掘不充分，导致最终比对的拓扑指标高，但生物指标低。

(2)“PROPER:global protein interaction network alignment throughpercolation matching”(期刊出处：BMC Bioinformatics,2016,17(1):527)该算法假设蛋白质序列的高相似度代表着功能的高相似度，优先挑选出具有高序列相似度的节点对进行匹配，将其作为基础比对结果，然后在该结果上逐步完善比对结果。算法存在的问题：节点的拓扑信息挖掘不充分，导致最终比对的生物指标高，但拓扑指标低。

(3)“MAGNA++:Maximizing accuracy in global network alignment via bothnode and edge conservation”(期刊出处：Bioinformatics,2015,31(14):2409-2411)该算法随机产生初始种群并以拓扑评价指标EC/ICS/S3为目标函数，利用遗传算法在优化比对结果。算法存在的问题：目标函数收敛速度慢，比对结果的指标低。

针对这三种现有算法，现亟需一种新的生物网络比对方法，能够提高比对的拓扑质量、比对的生物质量、同时提高比对速度。

江南大学是教育部直属、国家“211工程”重点建设高校和“双一流”建设高校。学校具有悠久的办学历史、厚重的文化积淀，源起1902年创建的三江师范学堂，历经国立中央大学、南京大学等发展时期；1958年南京工学院食品工业系整建制东迁无锡独立建校，成立无锡轻工业学院；1962年无锡纺织工学院并入无锡轻工业学院；1995年更名为无锡轻工大学；2001年无锡轻工大学、江南学院、无锡教育学院合并组建江南大学；2003年东华大学无锡校区并入江南大学。

使用最小度启发式算法计算节点的重要性得分，充分挖掘了节点的拓扑相似性，提高了比对的拓扑质量；

节点对相似性得分结合了节点对的生物功能相似性得分，保证了比对的生物功能质量；

利用节点对的拓扑和生物相似性得分初始化种群，将网络中在拓扑和生物功能上较为重要的节点优先被比对上；

在优化种群的过程中，保留目标函数得分高的部分个体以保证下一代种群质量，并将目标函数得分高的个体与目标函数得分低的个体交叉，保证种群个体之间的差异性，减少后代种群对初始种群的依赖，加快目标函数的收敛速度。

科技成果只有通过实施开发应用，使其转化为生产力，才能取得经济效益和社会效益。成果方目标是将科技成果转化为现实生产力，期待有意愿的企业或合作单位进行合作推广或者进行产品生产。考虑合作转化、许可+合作等转化方式与企业、科学技术研究开发机构和其他组织建立合作关系。