关键蛋白质对于生命的维持至关重要,其缺失会使生物体致病甚至死亡。识别关键蛋白质有助于对细胞功能和生物学机制的研究和探索。近年来,大量基于蛋白质相互作用网络(PPI网络)识别关键蛋白质的算法被提出,传统PPI网络基于生物实验测得的蛋白质相互作用数据(PPI数据)搭建,但这种PPI数据中有很多假阳性问题,如何有效过滤假阳性数据有待深入研究。PPI网络中,一个蛋白质重要程度并不仅仅取决于他的局部邻居的相关特征,我们应该纵观整个PPI网络来描述其中的每个蛋白质。针对以上问题本文提出两个关键蛋白质识别算法,研究内容以及创新点如下:(1)提出基于同一时间和空间活跃的蛋白质相互作用网络识别关键蛋白质算法TSWTSW融合生物数据构建同一时间同一空间活跃的PPI网络,基于改进的边聚集系数根据PPI网络的拓扑属性进一步衡量两个蛋白质的亲疏程度,为蛋白质相互作用边的权重赋值。TSW通过PPI网络固有的生物属性构建更为可靠的PPI网络,并融合PPI网络的拓扑属性构建最终的加权PPI网络。实验结果显示,与传统算法相比,TSW识别关键蛋白质精度更高。TSW的创新点在于,第一,基于基因表达数据和亚细胞定位数据构建同一时间和空间活跃的PPI网络,在描述蛋白质本身生物属性的同时,有效过滤假阳性数据。第二,提出改进的ECC,即WNECC,WNECC不仅描述一阶公共邻居的中心拓扑性质,还描述了二阶公共邻居的中心拓扑性质。(2)提出基于重启机制的LeaderRank在加权蛋白质相互作用网络中识别关键蛋白质算法RWLRRWLR首先利用GO注释和蛋白质复合物两种生物信息构建加权PPI矩阵,并根据TSW算法给PPI网络中所有蛋白质设置初始得分,最后基于重启机制的LeaderRank在加权PPI矩阵和蛋白质初始得分向量上不断迭代,当PPI网络中所有蛋白质得分收敛时,算法结束,蛋白质得分向量的最终结果即为所有蛋白质最终得分。RWLR为每个蛋白质提供了相对于整个PPI网络的全局描述,一定程度上解决了TSW算法的局限性。实验证明,与TSW相比,RWLR识别精度更高。RWLR的创新点在于,第一,改进LeaderRank,加入重启机制,将TSW算法中所有蛋白质的最终得分作为初始得分向量,令算法以一定的概率回到初始得分向量。第二,利用GO注释和蛋白质复合物两种生物数据构建加权PPI矩阵,融入改进LeaderRank算法,在加权PPI矩阵和蛋白质初始得分向量上不断迭代,使得RWLR为每个蛋白质提供相对于整个PPI网络的全局描述。与传统基于拓扑结构识别关键蛋白质算法相比,现有识别算法虽然融入很多生物属性,但仍有提升空间。目前针对生物属性的量化描述不能很好地表达生物信息,因此,未来的研究考虑结合深度学习,自动学习生物特性,以弥补现有算法的缺陷。