蛋白质复合物由网络中多个相互连接紧密的蛋白质形成,执行特定的生物功能。动态蛋白质相互作用(PPI, Protein-Protein Interaction)网络在一定程度上能够反映真实世界PPI的动态过程,有利于揭示疾病的形成及发展过程。比较分析表明PPI网络往往是保守的,且同源组中保留着物种间的镜像功能。动态蛋白质复合物的挖掘与物种间蛋白质复合物的保守和特异组分具有极其重要的研究意义。目前大多数研究者构建的动态PPI网络和复合物挖掘算法有效性还有待提高,复合物的动态特性也往往被忽略。本文开展基于时序基因表达数据的动态蛋白质网络构建、动态复合物挖掘以及跨物种复合物保守和特异组分分析的研究,主要研究工作和创新包括:第一,设计基于基因表达值偏离程度的蛋白质活性识别方法,并由此构建时间演变的动态蛋白质相互作用网络(TEPIN,Time-Evolving Protein Interaction Network)。由于各个蛋白质之间相互影响程度不同,本文提出基于连接亲和度和基因共表达的PPI网络加权方法,以此量化各个蛋白质之间相互作用的强弱程度。为了验证TEPIN及其加权方法的有效性,本文采用三个经典的算法分别从TEPIN及现有的经典动态网络中挖掘蛋白质复合物。实验结果表明:各算法在TEPIN上的特异性、敏感度、综合评分、匹配程度和功能富集性等方面的性能都比其余网络明显更优越;此外,网络的加权可以较好地反映蛋白质相互作用网络中的生物属性。第二,基于动态的蛋白质相互作用网络和蛋白质复合物本身的拓扑属性和生物特征,本文提出基于动态核依附的蛋白质复合物挖掘算法(DCA, Dynamic Core-Attachment)。 DCA 算法从动态蛋 白质相互网络中捕获复合物中具有动态性的核依附特征,将动态时序特性融入蛋白质复合物的挖掘。实验结果表明:DCA算法在准确率、hF-measure、功能富集性分析等多个评价指标上明显优于已有的TS-OCD等九个经典算法,显著提高了蛋白质复合物挖掘的准确率及生物意义。第三,通过对比CAMSE算法和经典的PPI网络聚类算法挖掘的跨物种保守复合物与物种本身的复合物,本文研究在进化过程中保守复合物在老鼠、人类和果蝇三个物种上新增组分的功能富集性。实验结果表明挖掘出的特异组分显著富集特殊的生物功能,并确实在物种内部发挥着重要作用,因此有助于在蛋白质水平上研究物种的进化机理。