子图扩展就是对子图进行重叠聚类的过程,这是为了解决传统聚类算法无法聚出重叠聚簇的缺陷而提出。本文利用网络中子图的结构特征以及子图的点边属性,对传统非重叠图聚类算法的非重叠聚簇进行再扩展,使得最终的聚类结果具有重叠性质。基于以上思路,本文先后提出两个子图扩展模型Glep和GKCE,其中Glep首先通过构建非重叠聚簇的14维图属性特征来近似描述一个子图的结构信息,然后使用词频-逆文本技术来优化这14维特征的权重。最后在经过优化的14维特征基础上,基于14维特征的稳定性完成对非重叠聚簇的重叠扩展。而GKCE不仅利用了子图的结构特征,更进一步地结合了子图的点边属性,通过图核技术分析了扩展过程中子图之间的相似程度,完成对非重叠聚簇的重叠扩展,最终得到具有重叠性质的聚类结果。抗原表位是抗原上被抗体接触的部分氨基酸残基,抗原表位的发现即是定位那些位于抗原链上被抗体链接触的氨基酸残基位置。对于一条抗原链而言,根据其上的抗原表位的数量差异和位置关系这两方面信息,可将抗原表位划分为单个分开,多个分开和多个重叠这三种情况。目前大部分抗原表位预测模型集中在单个抗原表位的预测上,很少有模型能实现对多个分开抗原表位的预测,至于能实现对多个重叠抗原表位预测的模型就更少了。目前的研究已经表明抗原表位在抗原链的空间结构上具有特异性,表面化,聚集性和重叠性这四个特性,这些特性使得目前基于结构的预测模型是抗原表位预测研究领域的热门方向。本文从抗原链上氨基酸残基的结构网络入手,设计了两个重叠子图聚类模型,从不同的角度分析抗原链上的抗原表位,很好地解决目前大多数抗原表位预测模型预测情况单一、预测效果不佳这两大问题。实验结果显示,相比较目前最好的同类模型,本文表现最好的重叠子图聚类模型GKCE的Fl分数平均值在单个抗原表位,多个分开抗原表位和多个重叠抗原表位上有67%,81%,37%的提升。