从图2。2可以看出：算法CDIP的表现功能要比CFinder更好。得出：具体在Recall、F-Measure以及CR等领域，这个方法的辨别功能还是很好的，Precision得到的结果也和MCODE相似，除此以外，通过对这三个蛋白质的互相关系网的观察能够得到下面的结论：CDIP比CFinder和MCODE更加优异。最终，Finder和MCODE中也得到了总簇数很少的结论，这也是符合相关算法的特征的。

2。5算法识别实例分析文献综述

图2。1 长度为5的真实复合物的匹配实例

算法识别的簇                               真实的复合物

在这一章里面，既对于整个的功能做了剖析，也对相关复合物的配合做了对比探讨。而且这个方法可以按照根据识别簇来实现匹配，这恰恰是CFinder无法实现的。

图2。2 真实复合物与识别到的簇的匹配实例

2。6本章小结

在这一章里面，首先介绍了当下对于复合物的鉴别方法现状，大多是基于网络拓扑信息，接着提出了把序列里面的频率看作是一个新的特点，将拓扑和这些序列特点结合在一起，来判断这些复合物。第一个是先对蛋白质的互相关系网进行介绍，讲解了算法中涉及到的拓扑以及相关序列特点。其次详细的描述了算法。最终是对这个方法的实际情况中展现出来的作用进行了分析和研究，根据试验结果说明，在这一章里面我们给出的方法相对于另外的那些方法可以起到更好的识别效果。

3 结合拓扑和序列特征的有监督蛋白质复合物识别方法

3。1 有监督的图聚类方法

由于这个图聚类的方法可以更强大的去学习，所以我们在这一章里面就开发了一个基于此的监督图聚类方法。利用这个方法，在本章里面我们针对一些具体的蛋白质服务开展了辨别工作。在开发这个方法的过程中，主要的思想可以归纳成下面这三类，一个是从那些实际的复合物体内发掘那些之前探明了的内容，第二个是尽量多的去思考那些蛋白质的互相关联，第三个是多在目前已经探明的基础上去学习掌握更多的子图方法，而不要局限在某一个单独的子图方法上。来:自[优E尔L论W文W网www.chuibin.com +QQ752018766-

3。2方法描述

(1)模型构建

可以说，蛋白质复合物是具有很多不同形式的拓扑的，所以往往无法来一致表达它。出于这个原因，在这一章里面，给出了一个SVM-C方法来探讨对于酵母蛋白内部发挥作用的复合物。