本书以统计学习方法为工具，挖掘生物分子网络中的有效信息。全书共7章，主要内容包括：绪论、基于概率图模型的蛋白质相互作用网络的重构、秀丽线虫数据库的整合与重构、蛋白质相互作用网络中*小驱动节点集的挖掘、基于集成聚类的蛋白质复合物的发现、基于正则化逻辑回归的乳腺癌生物标志物的识别、总结和展望。本书通过大量实验和分析帮助读者理解各类方法的主要思路与实现细节，并列出了相关参考文献，可供相关领域的研究人员、技术人员、高等院校的高年级本科生及研究生阅读、参考。

目 录 第1章 绪论 1 1.1 生物分子网络 1 1.2 相关研究进展 3 1.3 本书的研究内容 6 1.4 本书的结构和组织 8 1.5 参考文献 9 第2章 基于概率图模型的蛋白质相互作用网络的重构 17 2.1 引言 17 2.2 主要方法 17 2.2.1 构建稀疏概率图模型 17 2.2.2 参数估计 19 2.2.3 置信度指标 20 2.3 实验结果及分析 22 2.3.1 数据库 22 2.3.2 实验设置 24 2.3.3 高精度酵母数据上的实验结果 24 2.3.4 人类蛋白质数据上的实验结果 28 2.3.5 计算复杂度分析 31 2.4 本章小结 31 2.5 参考文献 32 第3章 秀丽线虫数据库的整合与重构 35 3.1 引言 35 3.2 主要方法 35 3.2.1 蛋白质对的可靠性评分 36 3.2.2 改进的稀疏概率图模型 36 3.2.3 参数估计 37 3.3 实验结果及分析 38 3.3.1 数据库 38 3.3.2 置信度的有效性验证 40 3.3.3 秀丽线虫加权网络的应用 44 3.4 本章小结 46 3.5 参考文献 47 第4章 蛋白质相互作用网络中*小驱动节点集的挖掘 50 4.1 引言 50 4.2 主要方法 53 4.2.1 *小控制集模型 53 4.2.2 **校正*小控制集模型 53 4.2.3 **性计算 55 4.3 实验结果及分析 55 4.3.1 数据库 55 4.3.2 参数效果分析 57 4.3.3 不同优化方法确定的驱动蛋白质之间的重叠分析 58 4.3.4 驱动蛋白质的度分布 59 4.3.5 驱动蛋白质的介数分布 59 4.3.6 驱动蛋白质的攻击脆弱性 60 4.3.7 富集分析 61 4.3.8 与其他算法比较 66 4.3.9 计算时间分析 67 4.4 本章小结 68 4.5 参考文献 68 第5章 基于集成聚类的蛋白质复合物的发现 74 5.1 引言 74 5.2 主要方法 75 5.2.1 构建合成网络 75 5.2.2 模型建立 77 5.2.3 模型求解及蛋白质复合物侦测 79 5.3 实验结果与分析 84 5.3.1 数据库 84 5.3.2 评估指标 85 5.3.3 参数选择 87 5.3.4 效果评估 89 5.4 本章小结 98 5.5 参考文献 98 第6章 基于正则化逻辑回归的乳腺癌生物标志物的识别 102 6.1 引言 102 6.2 主要方法 103 6.2.1 基于边信息的正则化逻辑回归模型 104 6.2.2 自适应弹性网的权重 105 6.3 实验结果及分析 107 6.3.1 数据库 107 6.3.2 评价指标 108 6.3.3 参数选择 109 6.3.4 分类准确性评估 112 6.3.5 基因选择过程的稳定性 113 6.3.6 功能稳定性 115 6.3.7 生物标志物（网络标志物）识别 117 6.4 本章小结 123 6.5 参考文献 123 第7章 总结和展望 128 7.1 总结 128 7.2 展望 129