基于Cytoscape的蛋白質(zhì)網(wǎng)絡(luò)可視化聚類分析插件

唐 羽，李 敏

(中南大學(xué)信息科學(xué)與工程學(xué)院，長沙410083)

蛋白質(zhì)是生物完成各種生命活動，實現(xiàn)各種生命功能所必需的大分子物質(zhì)。生物體的各種功能并不是通過單個蛋白質(zhì)表現(xiàn)出來，而是通過眾多蛋白質(zhì)之間在特定條件下的相互作用才能表現(xiàn)出一定的功能。生物系統(tǒng)是由許多相互作用的、相對獨立的結(jié)構(gòu)化功能模塊組成，識別出這些模塊對于理解生物系統(tǒng)的組織結(jié)構(gòu)具有重要意義。聚類分析是識別這些功能模塊的有效手段。

蛋白質(zhì)網(wǎng)絡(luò)可視化對于更快速，更有效，更直觀的分析蛋白質(zhì)網(wǎng)絡(luò)特性起到了重要的作用。尤其是對蛋白質(zhì)網(wǎng)絡(luò)作聚類分析的時候，聚類分析結(jié)果的可視化處理無疑將有利于更快速地得出正確結(jié)論。因此，本文將蛋白質(zhì)網(wǎng)絡(luò)的聚類分析和生物網(wǎng)絡(luò)可視化功能相結(jié)合，開發(fā)了一個集成于Cytoscape［1］的蛋白質(zhì)網(wǎng)絡(luò)聚類分析和顯示插件CytoCluster。

本插件不僅集成了 MCODE［2］，F(xiàn)AG － EC［3］，HC－PIN［4］，OH －PIN［5］，IPCA［6］，EAGLE［7］等六種典型的聚類算法，實現(xiàn)了使用多種算法對網(wǎng)絡(luò)進(jìn)行聚類分析，而且還提供了聚類結(jié)果可視化功能，能，將分析所得的clusters以縮略圖列表的形式直觀地顯示出來，對于單個cluster，可顯示在原網(wǎng)絡(luò)中的位置，并能生成相應(yīng)的子圖單獨顯示，有助于研究人員對cluster功能特性更深入研究。CytoCluster創(chuàng)造了一個更快速，更有效，更直觀的分析蛋白質(zhì)網(wǎng)絡(luò)特性的研究環(huán)境，可為生物學(xué)家提供更加有價值的參考信息。

1 系統(tǒng)原理及總體結(jié)構(gòu)

1.1 系統(tǒng)功能模型

本系統(tǒng)旨在基于Cytoscape這個可視化平臺對蛋白質(zhì)網(wǎng)絡(luò)進(jìn)行聚類分析，系統(tǒng)功能模型分為了聚類分析與界面控制兩大模塊，其中界面控制部分由Bundle控制、面板控制、聚類結(jié)果可視化、結(jié)果排序、導(dǎo)出結(jié)果等五個子模塊構(gòu)成。如圖1所示。

圖1 系統(tǒng)功能模型圖Fig.1 System function model

1.2 系統(tǒng)集成的聚類算法

本系統(tǒng)集成了 MCODE、FAG－EC、HC－PIN、OH－PIN、IPCA、EAGLE等六種典型的網(wǎng)絡(luò)聚類算法，具體介紹如下。

MCODE(The molecular complex detection algorithm)算法是一種基于密度的非交疊式聚類算法。該算法以種子節(jié)點為中心進(jìn)行擴(kuò)展在其鄰居節(jié)點中尋找滿足要求的節(jié)點，從而形成一個功能模塊，最早在Bader etal的早期文章以及文獻(xiàn)［8］中被提出，針對通過構(gòu)建cluster來在蛋白質(zhì)相互作用網(wǎng)絡(luò)中檢測復(fù)合物。其核心思想是以局部密度所定義的adhoc網(wǎng)絡(luò)為根據(jù)，分離局部稠密區(qū)域。

FAG－EC(Fast agglomerate algorithm)算法是基于邊聚類系數(shù)(Edge clustering coefficients)的非交疊式聚類算法，速度上的優(yōu)越性比較明顯。該算法采用自底向上的凝聚算法進(jìn)行模塊識別，并提出了一個新的參數(shù)化的模塊定義。通過將按聚集系數(shù)非增序排列的邊序列逐條加入初始化為單個節(jié)點的各個模塊中來合并各個團(tuán)，直到達(dá)到定義的模塊要求。

HC－PIN(Fast hierarchical clustering algorithm)算法是一個快速層次非交疊式聚類算法，由FAGEC算法改良而來，同樣采用自底向上的凝聚算法進(jìn)行模塊識別，不同的是，該算法以邊聚類值(Edge clustering value)為基礎(chǔ)，即可應(yīng)用于無權(quán)網(wǎng)絡(luò)也可用于加權(quán)網(wǎng)絡(luò)的聚類分析。

OH－PIN(Identification of hierarchical and overlapping functional modules)算法是可識別層交疊蛋白質(zhì)功能模塊的凝聚式層次算法，以M_clusters，λ－module，以及cluster間的聚集系數(shù)為基礎(chǔ)進(jìn)行聚類計算，在功能富集化以及比較已知蛋白質(zhì)復(fù)合物方面，性能優(yōu)于較為優(yōu)越。

IPCA(Clusteralgorithm based on the new topological structure)算法由 DPClus［9］算法改良而來的基于密度的算法。該算法利用一種新型拓?fù)浣Y(jié)構(gòu)來預(yù)測網(wǎng)絡(luò)中蛋白質(zhì)復(fù)合物，以子圖直徑(或節(jié)點平均距離)和子圖密度來對識別過程進(jìn)行控制調(diào)節(jié)，可識別交疊的蛋白質(zhì)功能模塊，在尋找已知蛋白質(zhì)復(fù)合物方面，性能表現(xiàn)良好。

EAGLE(Agglomerative hierarchicalclustering based on maximal clique)算法，是一種可以識別交疊功能模塊的凝聚式層次算法，以極大團(tuán)為基礎(chǔ)，通過逐步合并相似性最大的兩個團(tuán)，找到最優(yōu)劃分方法來實現(xiàn)的。

1.3 系統(tǒng)主要功能模塊

(1)聚類分析模塊:實現(xiàn) MCODE，F(xiàn)AG－EC，HC－PIN，OH－PIN，IPCA，EAGLE等六種算法的具體分析過程。初步得出聚類分析結(jié)果。

(2)Bundle控制模塊:由于Cytoscape3.0采用了OSGi進(jìn)行架構(gòu)，因此在Cytoscape平臺上運行的大型插件只能以Bundle Apps的形式出現(xiàn)。該模塊實現(xiàn)CytoCluster激活關(guān)閉服務(wù)調(diào)用等功能。

(3)面板控制模塊:該模塊負(fù)責(zé)插件整體界面實現(xiàn)，由APP菜單、參數(shù)面板、各個算法面板以及聚類結(jié)果面板等子模塊構(gòu)成。

(4)聚類結(jié)果可視化模塊:該部分將初步聚類分析結(jié)果可視化的呈現(xiàn)出來，主要包括聚類結(jié)果列表中cluster縮略圖的實現(xiàn)，顯示單個cluster在原網(wǎng)絡(luò)中的位置，以及生成并單獨顯示被選中的cluster子圖。

(5)導(dǎo)出結(jié)果模塊:負(fù)責(zé)對聚類結(jié)果進(jìn)行導(dǎo)出，對本次分析使用的算法、參數(shù)以及所得的cluster的具體信息進(jìn)行了詳細(xì)地記錄。

2 系統(tǒng)設(shè)計與實現(xiàn)

2.1 系統(tǒng)主要數(shù)據(jù)結(jié)構(gòu)

為了實現(xiàn)對待分析網(wǎng)絡(luò)聚類分析識別出功能模塊，并將識別結(jié)果顯示給用戶，并提供進(jìn)一步的分析處理，CytoCluster系統(tǒng)類圖如圖2。需要用到的類和對象如下:

圖2 CytoCluster類圖Fig.2 Class diagram of CytoCluster

(1)CyActivator:系統(tǒng)入口，將插件在OSGi框架中激活或關(guān)閉，調(diào)用系統(tǒng)服務(wù)等。

(2)MainPanel:程序主面板。

(3)ResultPanel:結(jié)果顯示面板。

(4)Algorithm:程序聚類算法實現(xiàn)類。

(5)AnalyzeAction:實現(xiàn)對analyze按鈕的響應(yīng)，調(diào)用AnalyzeTaskFactory開始聚類分析

(6)AnalyzeTaskFactory:該類用于產(chǎn)生AnalyzeTask。

(7)AnalyzeTask:該類是聚類分析的入口，負(fù)責(zé)實現(xiàn)用戶選擇的聚類算法

(8)MyTipTool:可顯示多行文字的提示工具。

(9)CollapsiblePanel:可折疊的面板。

(10)Cluster:CytoCluster使用的表示一個功能模塊所采用的數(shù)據(jù)結(jié)構(gòu)。

(11)Clique:CytoCluster中表示極大團(tuán)所采用的數(shù)據(jù)結(jié)構(gòu)。

(12)ParameterSet:聚類分析時所用的參數(shù)集合。

(13)ClusterLayout:CytoCluster使用的節(jié)點布局，在ClusterUtil中生成模塊圖像和創(chuàng)建子圖時用到。

(14)ClusterVisualStyle:CytoCluster使用的視圖顯示風(fēng)格，在ClusterUtil中生成模塊圖像

(15)ClusterUtil:包含對得到的功能模塊集合Cluster［］進(jìn)行的各種處理函數(shù)集合。

2.2 界面控制模塊實現(xiàn)

(1)Bundle控制

該模塊主要通過實現(xiàn)了 org.cytoscape.service.util.AbstractCyActivator接口的 Cyactivator類完成，實現(xiàn)了OSGi框架中服務(wù)注冊，Bundle激活以及關(guān)閉等功能。

若要調(diào)用OSGi框架中現(xiàn)有的服務(wù)，需要調(diào)用Cyactivator類中的 getService(Bundle Context bc，Class＜CyApplicationManager＞ serviceClass)方法。

若要將自己寫的類注冊為框架中的服務(wù)，需要調(diào)用 Cyactivator類中registerService(Bundle Context bc， Object service， Class ＜? ＞ serviceClass，Properties props)方法，如圖3所示。

Bundle激活以及關(guān)閉部分主要通過OpenTaskFactory類以及CloseTaskFactory類完成。

(2)面板控制

插件整體界面由APP菜單、各參數(shù)入面板以及聚類結(jié)果面板等子模塊構(gòu)成。插件最終運行整體效果圖如圖3所示。

圖3 CytoCluster運行效果Fig.3 The running interface of CytoCluster

參數(shù)輸入面板用于輸入聚類分析所需各項參數(shù)。啟動聚類插件后顯示主面板后，用戶按需要選取分析范圍，選擇聚類算法:

MCODE、FAG －EC、HC －PIN、OH －PIN、IPCA、EAGLE中的一種。用戶選擇算法后，在下方顯示相應(yīng)的參數(shù)選項，用戶可直接使用默認(rèn)參數(shù)或自定義各參數(shù)值。參數(shù)設(shè)定完成后單擊Analyze按鈕，首先進(jìn)行參數(shù)有效性判斷，參數(shù)無誤后則按照用戶定義的參數(shù)進(jìn)行開始分析過程。

聚類結(jié)果面板用于顯示識別出的所有功能模塊信息，并提供其它一些控件來對聚類分析結(jié)果作進(jìn)一步的分析處理。

如圖3所示，A、B、C分別為參數(shù)輸入面板，可視化面板，聚類結(jié)果面板;a部分為分析區(qū)域選擇，b部分為算法種類選擇，c部分為算法參數(shù)面板;d部分為BrowserTable，e部分為選中的 cluster，j部分為模塊尺寸滑動條，f部分為cluster節(jié)點屬性顯示列表，g為創(chuàng)建 cluster子圖按鈕，h關(guān)閉結(jié)果面板按鈕，i為導(dǎo)出聚類結(jié)果按鈕。

BrowserTable表格分為兩列，分別顯示了功能模塊縮略圖形以及此功能的基本信息:模塊中的節(jié)點數(shù)，邊數(shù)以及分值等信息。CytoCluster還提供對聚類結(jié)果進(jìn)行排序的功能。排序時有三種不同的排序方式可供選擇:按模塊大小，按模塊的模塊性以及按照模塊的score值進(jìn)行排序。其中，按score排序只在使用MCODE算法進(jìn)行聚類時有效，其它算法中模塊的score值全部為0。

節(jié)點屬性列表顯示了由Cytoscape載入網(wǎng)絡(luò)時讀入的當(dāng)前網(wǎng)絡(luò)中所有包含的屬性值，用戶可以從下拉列框中選擇具體某項，屬性列表中就相應(yīng)地顯示當(dāng)前模塊中具有該屬性的所有屬性值出現(xiàn)的次數(shù)分布情況。Create SubNetwork按鈕可以將當(dāng)前模塊建立為一個新的網(wǎng)絡(luò)，并顯示于桌面。

另外，當(dāng)使用MCODE算法進(jìn)行聚類時，當(dāng)前模塊屬性面板中增加了一個模塊大小控制面板，其中有一個滑動條，用滑塊位置控制增大或縮小當(dāng)前功能模塊的尺寸大小，并對應(yīng)更新顯示模塊縮略圖。

ResultPanel底部面板由兩個按鈕組成:Export按鈕用于將當(dāng)前聚類結(jié)果中識別的功能模塊導(dǎo)出為文件，可以選擇導(dǎo)出基本信息和導(dǎo)出完整信息兩種方式。Dicard按鈕用于在向用戶確認(rèn)之后關(guān)閉當(dāng)前打開的結(jié)果面板。

(3)聚類結(jié)果可視化

該模塊分為三個主要任務(wù)，聚類結(jié)果列表中cluster縮略圖的實現(xiàn)，顯示單個cluster在原網(wǎng)絡(luò)中的位置，以及生成并單獨顯示被選中的 cluster子圖。

cluster縮略圖主要通過ClusterUtil類中convertClusterToImage方法來實現(xiàn)。該方法首先通過 ClusterUtil類中 createSubNetwork(CyNetwork net，Collection nodes，SavePolicy policy)方法來為分析所得的 cluster創(chuàng)建子圖，再根據(jù)這個子圖調(diào)用createNetworkView(CyNetwork net，Visual-Style vs)方法創(chuàng)建相應(yīng)的視圖，其中VisualStyle為視圖屬性對象，通getClusterStyle()獲得。在這個方法中，設(shè)置了視圖中節(jié)點的大小、顏色，邊的顏色、粗細(xì)等屬性，基本確定了縮略圖的顯示風(fēng)格。

得到視圖對象后，調(diào)用Cytoscape所提供的可視化 接 口 org.cytoscape.view.presentation 的createImage(Int width，Int height)方法生成image對象返回給結(jié)果面板聲稱對象。

cluster子圖生成并顯示的過程與生成cluster縮略圖較為相似，首先調(diào)用createSubNetwork創(chuàng)建子圖對象，再通過 getClusterStyle設(shè)置視圖顯示風(fēng)格，createNetworkView生成相對應(yīng)的子圖視圖。但與生成縮略圖不同，該任務(wù)主要是要將生成的子圖顯示在Cytoscape網(wǎng)絡(luò)放大顯示在面板上，這主要通過ClusterUtil類中的displayNetworkView(CyNetworkView)方法實現(xiàn)。

(4)導(dǎo)出結(jié)果

該模塊由結(jié)果面板中的Export按鈕觸發(fā)調(diào)用，將最終聚類結(jié)果，即各個cluster的名稱、節(jié)點總數(shù)、節(jié)點名稱等信息以文本形式導(dǎo)出存入text文件。

該模塊主要通過ClusterUtil類中的exportResults方法實現(xiàn)。

其中，F(xiàn)ileUtil是 Cytoscape系統(tǒng)提供的文件打開接口，通過調(diào)用該接口中的getFile方法，返回新創(chuàng)建的輸出文件。FileChooserFilter為文件類型選擇器，通過該類存儲文件類型，設(shè)為txt文本文檔。通過FileWriter類將需要輸出的cluster數(shù)據(jù)，如各個cluster的名稱、節(jié)點總數(shù)、節(jié)點名稱等信息寫入文件中。

2.3 聚類分析模塊實現(xiàn)

CytoCluster中的聚類算法實現(xiàn)部分，所有的聚類算法都是通過調(diào)用一個Algorithm對象的相應(yīng)方法來完成。

MCODE算法使用K_CoreFinder()識別功能模塊。Algorithm對象調(diào)用此方法前須先調(diào)用scoreGraph方法對網(wǎng)絡(luò)圖中的各個節(jié)點的計算MCODE算法所需的節(jié)點信息:包括自身在內(nèi)的鄰居接點子圖neighbors及其密度density，以該點為種子節(jié)點所能擴(kuò)展出的最大k值的K－Core，其k值水平coreLevel，此K－Core的密度coreDensity以及該節(jié)點的score值。節(jié)點的score值反映了該節(jié)點及其周邊節(jié)點的密集程度。然后再從score值最大的節(jié)點開始，調(diào)用getClusterCore()方法，以此節(jié)點為種子節(jié)點開始擴(kuò)展，逐步加入符合參數(shù)條件的鄰接節(jié)點。最后根據(jù)參數(shù)要求作一些后續(xù)處理，得出最終的功能模塊。

FAG_EC算法使用FAG_ECFinder()識別功能模塊。計算的先決條件必須先調(diào)用calEdgeWeight得到網(wǎng)絡(luò)中所有邊的聚集系數(shù)，并按非增序排列。這里得到的邊聚集系數(shù)隊列也可以多次重復(fù)使用。然后先將網(wǎng)絡(luò)中每個節(jié)點初始化為一個Complex，而后開始逐步將各條邊依次加入各Complex，從而對Complex進(jìn)行合并，逐漸成為不可合并的功能模塊，直到所有邊都被加入 Complex為止。FAG_ECXFinder()使用擴(kuò)展的FAG_EC算法識別功能模塊。首先同EAGLE一致，調(diào)用 getMaximalCliques，以極大團(tuán)為基礎(chǔ)得到初始的Complexes集，同時需得到網(wǎng)絡(luò)中的按聚類系數(shù)排列的邊的非增序列，調(diào)用calEdgeWeight。根據(jù)邊兩端點所從屬的Complex集的關(guān)系，對兩組Complex分別合并后再合并為一個Complex，中途如果有的Complex已達(dá)到功能模塊定義，則不將之合并。反復(fù)進(jìn)行這個過程，直到所有邊都被已處理完為止。

HC－PIN算法使用HCPIN Finder()識別功能模塊。計算的先決條件必須先調(diào)用calEdgeWeight得到網(wǎng)絡(luò)中所有邊的聚集值，并按非增序排列。這里得到的邊聚集系數(shù)隊列也可以多次重復(fù)使用。然后先將網(wǎng)絡(luò)中每個節(jié)點初始化為一個Complex，而后開始逐步將各條邊依次加入各Complex，從而對Complex進(jìn)行合并，逐漸成為不可合并的功能模塊，直到所有邊都被加入Complex為止。

OH－PIN算法使用OHPINFinder()識別功能模塊，首先調(diào)用calB_cluster按網(wǎng)絡(luò)中的邊得到相應(yīng)的B_cluster，再用calC_set將 B_cluster存入 C_set中。通過calOS計算出C_set中cluster間的Overlapping Score，取值最大的一對cluster，合并，直到所有值小于給定的 os_th;再通過 calCCV計算出 C_set中cluster間的CCV，取值最大的一對cluster，合并，直到所有值小于0為止;

IPCA算法使用IPCAFinder()識別功能模塊。計算的先決條件必須先調(diào)用calNodeWeight得到網(wǎng)絡(luò)中所有節(jié)點的權(quán)值，并按非增序排列。選出最大的節(jié)點為種子，通過ExtendingCluster來進(jìn)行擴(kuò)展，其中用SPJudgement來判斷某個點是否該加入當(dāng)前的cluster。當(dāng)所有可能被加入的節(jié)點都被探測過以后，輸出 cluster.

EAGLE算法使用EAGLEFinder()識別功能模塊。EAGLE算法基于極大團(tuán)，故Algorithm對象必須先調(diào)用getMaximalCliques方法計算出網(wǎng)絡(luò)中的所有極大團(tuán)。然而一個網(wǎng)絡(luò)中的極大團(tuán)是固定不變的，所以計算一次后就可以供以后需要時使用。接下來首先完成團(tuán)初始化工作，去除附屬極大團(tuán)。開始合并后，每次選出相似性最大的兩個Complex將之合并，并調(diào)用calModularity計算當(dāng)前劃分優(yōu)劣程度的EQ值。重復(fù)合并過程直到只有一個Complex，

并記錄下整個過程中每一次的劃分情況及其EQ值。選出其中EQ的最大值，此時的團(tuán)劃分情況即是最優(yōu)的功能模塊劃分，返回這個模塊集合。

3 實例展示及分析

3.1 聚類結(jié)果可視化

CytoCluster不僅能對網(wǎng)絡(luò)進(jìn)行聚類分析，同時也實現(xiàn)了對網(wǎng)絡(luò)聚類結(jié)果的可視化顯示，將分析所得的clusters以縮略圖列表的形式直觀地顯示出來，對于單個cluster可顯示在原網(wǎng)絡(luò)中的位置，并能生成相應(yīng)的子圖單獨顯示，如圖4所示。通過該功能，研究人員可以對基因以及蛋白質(zhì)網(wǎng)絡(luò)中分子簇的進(jìn)行進(jìn)一步挖掘，發(fā)現(xiàn)致病基因以及蛋白質(zhì)功能模塊的相關(guān)特性以及相互關(guān)聯(lián)性。將聚類分析所得的cluster放在統(tǒng)一網(wǎng)絡(luò)中相互比較，展示相互之間的關(guān)聯(lián)性，并可由用戶自行設(shè)定節(jié)點的顏色和形狀，對于研究網(wǎng)絡(luò)中的功能模塊具有重要作用。例如賓夕法尼亞大學(xué)醫(yī)學(xué)院的研究人員利用FAG－EC算法對注意力缺陷多動障礙癥進(jìn)行研究時，根據(jù)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，將整個基因網(wǎng)絡(luò)聚類成17個不同的分子簇［10］，顯示簇內(nèi)節(jié)點以及簇與簇之間的關(guān)系。

圖4 聚類結(jié)果可視化實現(xiàn)效果Fig.4 The implementation of visualization clustering result

3.2 聚類結(jié)果對比與分析

圖5為Cytocluster中六種聚類算法對Cytoscape所提供的酵母核心蛋白質(zhì)相互作用網(wǎng)絡(luò)(GalFiltered.sif)的分析結(jié)果，由圖可知CytoCluster所采用的六種聚類算法得到的結(jié)果之間存在一定的差異。在具體使用中可以結(jié)合多種算法進(jìn)行聚類分析，從而得到對蛋白質(zhì)網(wǎng)絡(luò)中的功能模塊的更全面認(rèn)識。

為了分析比較CytoCluster中實現(xiàn)的幾種聚類算法的性能，這里使用從數(shù)據(jù)庫DIP獲得的酵母核心蛋白質(zhì)相互作用網(wǎng)絡(luò)數(shù)據(jù)集Y2k進(jìn)行聚類分析，得出6種不同的功能模塊數(shù)據(jù)，對這些模塊集進(jìn)行過濾，除去尺寸小于3的模塊，再查找這些功能模塊的GO Terms。

圖5 六種算法對同一網(wǎng)絡(luò)聚類分析對比Fig.5 The comparison results of different clustering algorithms

由于所得的數(shù)據(jù)繁多，這里僅采用GO中的生物過程Process為例，對各功能模塊集合的富集性P-value值分布進(jìn)行分析，結(jié)果如圖6所示。

由于在統(tǒng)計檢驗中，P-value值可用于評價一組蛋白質(zhì)集合在偶然情況下聚集成一個模塊的可能性大小，所以從圖中可以看出，各聚類算法在識別的功能模塊結(jié)構(gòu)和數(shù)量上存在不小的差異，但這些模塊在性能、準(zhǔn)確度上各有所長，對更全面地認(rèn)識整個蛋白質(zhì)網(wǎng)絡(luò)具有重要意義。

圖6 不同聚類算法識別模塊的對應(yīng)富集性P-value分布Fig.6 The enrichment analysis result of different algorithm

4 討論

CytoCluster實現(xiàn)了在Cytoscape3.0平臺上使用了 MCODE，F(xiàn)AG －EC，HC －PIN，OH －PIN，IPCA，EAGLE等六種典型聚類算對蛋白質(zhì)網(wǎng)絡(luò)進(jìn)行聚類分析，并進(jìn)一步對聚類結(jié)果可視化顯示分析與比較。

本插件的實現(xiàn)總體來說可概括為以下兩部分:

(1)后臺蛋白質(zhì)聚類算法的實現(xiàn)。這是本插件的核心部分，由于旨在于Cytoscape這個可視化平臺上對蛋白質(zhì)網(wǎng)絡(luò)進(jìn)行聚類分析比較從而為生物信息學(xué)研究人員提供一個直觀準(zhǔn)確的具有參考價值的結(jié)果，因需要十分注意軟件的精準(zhǔn)性、可靠性與嚴(yán)謹(jǐn)性，每個聚類算法要有據(jù)可查，要嚴(yán)格的與原算法過程及結(jié)果保持一致。

(2)前臺界面控制與可視化的實現(xiàn)。包括Bundle控制，面板控制，聚類結(jié)果可視化，導(dǎo)出結(jié)果等部分，是該插件有別于其他簡單聚類分析軟件的重要區(qū)別所在，使得該軟件不僅能對蛋白質(zhì)網(wǎng)絡(luò)進(jìn)行聚類分析，還能進(jìn)一步可視化聚類結(jié)果進(jìn)行分析比較，并導(dǎo)出到文本中。

CytoCluster系統(tǒng)是一個可擴(kuò)展平臺，隨著蛋白質(zhì)網(wǎng)絡(luò)聚類技術(shù)的發(fā)展，將在今后的開發(fā)中集成更多的聚類算法，使得系統(tǒng)更加豐富，更加完善。

References)

［1］ SHANNON P，MARKIEL A，OZIER O，et al.Cytoscape:a software environment for integrated models of biomolecular interaction networks［J］.Genome Research，2003，13(11):2498－504.

［2］ BADER G D，HOGUE C W V.An automated method for finding molecular complexes in large protein interaction networks［J］.BMC bioinformatics，2003，4(1):2.

［3］ LI Min，WANG Jianxin，CHEN Jianer.A fast agglomerate algorithm for mining functional modules in protein interaction networks［C］//BioMedical Engineering and Informatics，2008.BMEI 2008.International Conference on.IEEE，2008，1:3－7.

［4］ WANG Jianxin，LI Min，CHEN Jianer，et al.A fast hierarchical clustering algorithm for functional modules discovery in protein interaction networks ［J］.Computational Biology and Bioinformatics，IEEE/ACM Transactions on，2011，8(3):607－620.

［5］ WANG Jianxin，REN Jun，LI Min，et al.Identification of Hierarchical and Overlapping Functional Modules in PPI Networks［J］.IEEE TRANSACTIONS ON NANOBIOSCIENCE，2012，11(4):386 －393.

［6］ LI Min，CHEN Jun，WANG Jianxin，et al.Modifying the DPClus algorithm for identifying protein complexes based on new topological structures ［J］. Bmc Bioinformatics，2008，9(1):398.

［7］ SHEN Huawei，CHENG Xueqi，CAI Kai，et al.Detect overlapping and hierarchicalcommunity structure in networks［J］.Physica A:Statistical Mechanics and its Applications，2009，388(8):1706－1712.

［8］ RADICCHI F，CASTELLANO C，CECCONI F.Defining and identifying communities in networks ［J］.Proc.Natl.Acad.Sci.USA，2004，101(9):2658 －2663.

［9］ ALTAF-Ul-AMIN M，SHINBO Y，MIHARA K，et al.Development and implementation of an algorithm for detection of protein complexes in large interaction networks［J］.BMC bioinformatics，2006，7(1):207.

［10］ ELIA J，GLESSNER J T，WANG K，et al.Genome-wide copy number variation study associates metabotropic glutamate receptor gene networks with attention deficit hyperactivity disorder［J］.Nature genetics，2011，44(1):78－84.