蛋白质相互作用网络(Protein-Protein Interaction Network,PPIN)是由一个生命有机体内所有蛋白质之间的相互作用组成的,具备高度复杂网络的特性。检测PPIN中的功能模块是蛋白质组学研究中的一个重要问题,不仅对揭示蛋白质功能、了解生物系统的组织结构有重大意义,而且为疾病的预知、未来药物标靶的发现提供理论依据。为了准确地识别PPIN功能模块,大量计算方法迅速兴起。其中,运用群集智能思想来检测功能模块已成为该领域的一个研究热点。本课题探索了一种新颖的群集智能算法——蝙蝠算法针对PPIN功能模块检测问题进行研究,并开展了以下两个方面的工作:(1)蝙蝠算法是一种全局搜索能力较强的群集智能算法,本课题提出了基于蝙蝠算法的蛋白质网络功能模块检测(BA-FMD)方法,以期在该领域取得不错的效果。首先,该方法结合PPIN中节点之间的拓扑信息和功能信息作为它们的相似性度量,利用相似性度量在搜索空间中随机初始化蝙蝠种群,每只蝙蝠所处位置代表一个候选功能模块划分;然后在种群优化阶段,设计了定向局部扰动、随机扰动、基于距离和频率的自适应变异、自然选择四种寻优机制来进行解的随机优化;最后利用合并和过滤两个后处理操作对最优或次优的功能模块划分做进一步的修正。在五个不同规模的PPIN数据集上将BA-FMD算法与六个采用不同机理的经典算法进行对比,结果显示,本文提出的算法在检测质量上有一定的竞争力。(2)针对BA-FMD算法忽略种群内信息交互、易陷入局部最优的缺陷,本课题将注重信息共享的免疫遗传算法融合到BA-FMD算法中,提出了融合蝙蝠算法和免疫遗传算法的蛋白质网络功能模块检测(BAIGA-FMD)方法。该算法以蝙蝠算法为框架,在进化过程中加入了免疫遗传算法中的主要思想。首先,将每个蝙蝠个体的位置对应一个抗体,适应度值映射为每个抗体与抗原的亲和力度量,并计算每个抗体的浓度值;然后通过结合亲和力和浓度值两个因素提取出相应抗体,让这些抗体之间进行变异、交叉和重组等操作,增加抗体之间的沟通交流,同时增加了种群的多样性,防止种群过早陷入局部最优;最后再通过免疫算子根据历代及当代最优解提取先验知识,增强种群的学习能力,使算法获得更好的解。在五个PPIN数据集上的实验结果表明,BAIGA-FMD算法在多项指标上比原算法有一定的提升,而且与其他六个经典算法的对比实验也进一步表明了新算法的有效性。