中国科学院新疆理化技术研究所尤著宏

naixin

尤著宏，男，1980年8月出生，中科院新疆理化技术研究所研究员、国科大博士生导师，中科院率先行动 “百人计划”青年俊才候选人。2005年9月-2010年12月，中国科学技术大学硕博连读，获工学博士学位；2008年6月-2009年12月，美国康奈尔大学联合培养博士生；2001年9月-2005年06月，湖南师范大学本科，获工学学士。2012年1月-2013年6月，同济大学计算机科学与技术博士后流动站，博士后；曾获人社部“香江学者”计划资助，在香港理工大学电子计算学系从事博士后研究。

姓    名:尤著宏        
性    别:男
职    务:        
职    称:研究员(自然科学)
通讯地址:乌鲁木齐市北京南路40号附1号
邮政编码:830011        
电子邮件:zhuhongyou@ms.xjb.ac.cn        

　　尤著宏博士主持或完成国家自然科学基金项目3项（青年基金1项，面上项目2项），博士后基金项目1项。近年来在《PLOS Computational Biology》、《Briefings in Bioinformatics》、《Bioinformatics》、《Scientific Reports》、《IEEE Transactions on Cybernetics》、《IEEE/ACM Transactions on Computational Biology and Bioinformatics》、《Oncotarget》等国内外重要学术期刊及国际会议发表学术研究论文90余篇，其中SCI 索引论文69 篇，在ISBRA、IJCNN、WCCI及BIBM等国际会议上发表EI论文20余篇。论文累计影响因子超过200，其中第一作者及通讯作者SCI 索引论文48 篇。以一作或者通讯发表中科院一区论文12 篇，以一作或者通讯发表中科院二区以上论文33 篇。发表论文被Annual Review of Biophysics、 IEEE Transactions on Industrial Informatics、IEEE Transactions on Knowledge and Data Engineering、Behavioural Neurology、Frontiers of Computer Science、Information Sciences、Frontiers in Genetics、Trends in genetics、Briefings in Bioinformatics、Cancer research、Nucleic acids research 等国际著名杂志引用超1000次（Google Scholar），4 篇论文入选ESI 高被引论文。撰写专著章节1 章、申请发明专利5 项。
　　尤博士目前是IEEE会员，中国计算机学会CCF计算机应用专委会常委。担任Journal of Biological Research、International Journal of Distributed Sensor Networks、Evolutionary Bioinformatics及BioMed Research International 4个SCI国际期刊的客座编委（Guest Editor），是IEEE Transactions on Industrial Informatics, IEEE/ACM Transactions on Computational Biology and Bioinformatics， IEEE Transactions on NanoBioscience等多个IEEE Transaction汇刊、Scientific Reports、Neurocomputing、PLOS CB等国际期刊特邀审稿人。作为第二完成人的科技成果“复杂生物数据的特征建模及高效学习理论与应用”获得2016年教育部自然科学奖2 等奖。
主要研究领域及成就：
　　包括基于图像的高通量数据分析；图及复杂网络理论及其应用；生物信息学中蛋白质相互作用预测、药物靶点预测、microRNA与疾病关系预测、疾病相关的 miRNA-环境因子组合作用预测、非编码RNA大规模功能类似性网络构建等。        
　　代表性文章：(10篇以内）
　　(1) Zhu-Hong You（尤著宏）, Mengchu Zhou, Xin Luo, Shuai Li,“Highly Efficient Framework for Predicting Interactions Between Proteins,” IEEE Transactions on Cybernetics, vol. 47, no.3, pp. 721-733, 2017. （SCI, 3年影响因子：4.454, 中科院1区）
　　(2) Zhu-Hong You（尤著宏）, Zhi-An Huang, Zexuan Zhu, Gui-Ying Yan, Zhenkun Wen, Xing Chen “PBMDA: a novel and effective path-based computational model for miRNA-disease association prediction,” PLOS Computational Biology, 13 (3) :e1005455, 2017 (SCI, 3年影响因子4.679, 中科院小类1区)
　　(3) Zhu-Hong You（尤著宏）, Ying-Ke Lei, De-Shuang Huang, Xiaobo Zhou, “Using manifold embedding for assessing and predicting protein interactions from high-throughput experimental data,” Bioinformatics 2010, 26(21):2744-2751 (SCI，5年影响因子：6.968，中科院小区1区)
　　(4) Shuai Li, Zhu-Hong You（通信作者）, Hongliang Guo, Xin Luo, Zhongqiu Zhao. “Inverse-free Extreme Learning Machine with Optimal Information Updating,” IEEE Transactions on Cybernetics, vol.1, no.99, pp 1-7, 2015（SCI, 3年影响因子：4.454, 中科院1区）
　　(5) Xing Chen , Yu-An Huang, Zhu-Hong You（通信作者）, Guiying Yan, Xuesong Wang,“A Novel Approach based on KATZ measure to Predict Associations of Human Microbiota with Non-Infectious Diseases,” Bioinformatics, vol. 33, no.5, pp. 733-739, 2016. (SCI, 中科院1区，影响因子：5.123, 中科院1区)
　　(6) Xing Chen, Chenggang Clarence Yan, Xu Zhang, Zhu-Hong You（通信作者）. “Long non-coding RNAs and complex diseases: from experimental results to computational models,”Briefings in Bioinformatics, bbw060, 2016 (SCI, 影响因子 9.617,中科院1区)
　　(7) Jianqiang Li, Zhu-Hong You（通信作者）, Xiao Li, Zhong Ming, Xing Chen, “PSPEL: In Silico Prediction of Self-interacting Proteins from Amino Acids Sequences using Ensemble Learning,” IEEE/ACM Transactions on Computational Biology and Bioinformatics, doi: 10.1109/TCBB.2017.2649529, 2017（SCI, 3年影响因子：1.528, 中科院3区）
　　(8) Zhu-Hong You（尤著宏）, Zheng Yin, Kyungsook Han, De-shuang Huang, Xiaobo Zhou, “A semi-supervised learning approach to predict synthetic genetic interactions by combining functional and topological properties of functional gene network,” BMC Bioinformatics 2010, 11:343 (SCI，5年影响因子：3.567，中科院2区)
　　(9) Yu-An Huang, Xing Chen , Zhu-Hong You（通信作者）, De-Shuang Huang, Keith Chan.“ILNCSIM: improved lncRNA functional similarity calculation model,” Oncotarget. vol.7, no.18, pp. 25902–25914, 2016. (SCI, 3年影响因子 5.998 , 中科院大类1区)
　　(10) Xin Luo, Mengchu Zhou, Shuai Li, Zhu-Hong You（尤著宏）, Yunni Xia, and Qingsheng Zhu，“A Non-negative Latent Factor Model for Large-scale Sparse Matrices in Recommender Systems via Alternating Direction Method,” IEEE Transactions on Neural Networks and Learning Systems, vol.27, no.3, pp. 579-592, （SCI, 3年影响因子：4.505, 中科院1区）　
研究领域：
大数据分析、数据挖掘、模式识别及在生物信息学上的应用等方面研究

xinglai

　  癌症是人类健康最致命的杀手，在全球范围内每年造成数百万人的死亡。传统的物理和化学方法，包括靶向治疗、化疗和放射治疗等医疗实践中常见的治疗手段，在一定程度上能杀死病变癌细胞，但是同时也会杀死大量正常的细胞，带来严重的副作用。这些治疗手段费用昂贵且预后效果不佳，迫切需要开发新的定向清除癌细胞，治疗癌症的有效方法。

　　抗癌多肽（anticancer peptides，ACP），一种长度通常小于50氨基酸的阳离子型多肽的发现为癌症治疗开辟了新前景。ACP多发现自抗菌多肽(antimicrobial peptides, AMP)中，具有很多优良的特性，包括高特异性、广谱性、安全性、易于合成和定制、成本低廉等。抗癌多肽可以特异性地结合癌细胞的阴离子细胞膜分子，而对正常细胞没有影响。因此，它们可以选择性地杀死癌细胞，而不带来副作用。多年来，ACP疗法在临床的不同阶段被广泛探索和应用，但是只有少数被最终用于临床治疗。ACP的鉴定高度受限于实验室，昂贵且周期漫长。计算预测的方法在帮助筛选、发现和预测抗癌多肽中的作用越来越迫切和明显。


　　中国科学院新疆理化技术研究所研究人员首次开发和提出了基于序列信息来预测潜在的抗癌多肽的深度学习方法。首先，研究人员基于现有的研究，整理构建了用于机器学习的抗癌多肽数据集，其中，正样本为实验验证的ACP，负样本为不具有抗癌活性的AMP。然后，保留氨基酸残基组分和位置信息的高效多肽序列特征提取技术被提出，将生物序列信息转化为数字特征。最后，基于长短时记忆模型的深度学习模型被构建和训练以预测新型ACP。严格的实验结果表明，所开发的方法具有高准确性、鲁棒性，可以作为相关生物医学研究的有效工具。


　　该工作以ACP-DL: A Deep Learning Long Short-Term Memory Model to Predict Anticancer Peptides Using High-Efficiency Feature Representation 为题，于近日发表于Molecular Therapy-Nucleic Acids，第一作者为新疆理化所研究生易海成，指导老师为研究员尤著宏。该工作得到国家自然科学基金优秀青年科学基金和中科院项目的支持。
　论文链接