Intelligent Computing in Bioinformatics

10th International Conference ICIC 2014

Taiyuan China August 3 6 2014
Proceedings 1st Edition De-Shuang
Huang
Visit to download the full and correct content document:
https://textbookfull.com/product/intelligent-computing-in-bioinformatics-10th-internatio
nal-conference-icic-2014-taiyuan-china-august-3-6-2014-proceedings-1st-edition-de-s
huang-huang/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...

Intelligent Computing Theory 10th International

Conference ICIC 2014 Taiyuan China August 3 6 2014
Proceedings 1st Edition De-Shuang Huang

https://textbookfull.com/product/intelligent-computing-
theory-10th-international-conference-icic-2014-taiyuan-china-
august-3-6-2014-proceedings-1st-edition-de-shuang-huang/

Intelligent Computing Methodologies 10th International

Conference ICIC 2014 Taiyuan China August 3 6 2014
Proceedings 1st Edition De-Shuang Huang

https://textbookfull.com/product/intelligent-computing-
methodologies-10th-international-conference-icic-2014-taiyuan-
china-august-3-6-2014-proceedings-1st-edition-de-shuang-huang/

Intelligent Computing Theories and Application 13th

International Conference ICIC 2017 Liverpool UK August
7 10 2017 Proceedings Part I 1st Edition De-Shuang
Huang
https://textbookfull.com/product/intelligent-computing-theories-
and-application-13th-international-conference-
icic-2017-liverpool-uk-august-7-10-2017-proceedings-part-i-1st-
edition-de-shuang-huang/

Intelligent Computing Methodologies 16th International

Conference ICIC 2020 Bari Italy October 2 5 2020
Proceedings Part III De-Shuang Huang

https://textbookfull.com/product/intelligent-computing-
methodologies-16th-international-conference-icic-2020-bari-italy-
october-2-5-2020-proceedings-part-iii-de-shuang-huang/
Intelligent Computing Theories and Application 16th
International Conference ICIC 2020 Bari Italy October 2
5 2020 Proceedings Part I De-Shuang Huang

https://textbookfull.com/product/intelligent-computing-theories-
and-application-16th-international-conference-icic-2020-bari-
italy-october-2-5-2020-proceedings-part-i-de-shuang-huang/

Intelligent Computing Theories and Application De-

Shuang Huang

https://textbookfull.com/product/intelligent-computing-theories-
and-application-de-shuang-huang/

Distributed Computing and Internet Technology 10th

International Conference ICDCIT 2014 Bhubaneswar India
February 6 9 2014 Proceedings 1st Edition Gérard Berry

https://textbookfull.com/product/distributed-computing-and-
internet-technology-10th-international-conference-
icdcit-2014-bhubaneswar-india-february-6-9-2014-proceedings-1st-
edition-gerard-berry/

Bioinformatics Research and Applications 10th

International Symposium ISBRA 2014 Zhangjiajie China
June 28 30 2014 Proceedings 1st Edition Mitra Basu

https://textbookfull.com/product/bioinformatics-research-and-
applications-10th-international-symposium-isbra-2014-zhangjiajie-
china-june-28-30-2014-proceedings-1st-edition-mitra-basu/

Intelligent Virtual Agents 14th International

Conference IVA 2014 Boston MA USA August 27 29 2014
Proceedings 1st Edition Timothy Bickmore

https://textbookfull.com/product/intelligent-virtual-agents-14th-
international-conference-iva-2014-boston-ma-usa-
august-27-29-2014-proceedings-1st-edition-timothy-bickmore/
 De-Shuang Huang
Kyungsook Han
Michael Gromiha (Eds.)
LNBI 8590

Intelligent Computing
in Bioinformatics
10th International Conference, ICIC 2014
Taiyuan, China, August 3–6, 2014
Proceedings

123
Lecture Notes in Bioinformatics 8590

Subseries of Lecture Notes in Computer Science

LNBI Series Editors

Sorin Istrail
Brown University, Providence, RI, USA
Pavel Pevzner
University of California, San Diego, CA, USA
Michael Waterman
University of Southern California, Los Angeles, CA, USA

LNBI Editorial Board

Alberto Apostolico
Georgia Institute of Technology, Atlanta, GA, USA
Søren Brunak
Technical University of Denmark Kongens Lyngby, Denmark
Mikhail S. Gelfand
IITP, Research and Training Center on Bioinformatics, Moscow, Russia
Thomas Lengauer
Max Planck Institute for Informatics, Saarbrücken, Germany
Satoru Miyano
University of Tokyo, Japan
Eugene Myers
Max Planck Institute of Molecular Cell Biology and Genetics
Dresden, Germany
Marie-France Sagot
Université Lyon 1, Villeurbanne, France
David Sankoff
University of Ottawa, Canada
Ron Shamir
Tel Aviv University, Ramat Aviv, Tel Aviv, Israel
Terry Speed
Walter and Eliza Hall Institute of Medical Research
Melbourne, VIC, Australia
Martin Vingron
Max Planck Institute for Molecular Genetics, Berlin, Germany
W. Eric Wong
University of Texas at Dallas, Richardson, TX, USA
De-Shuang Huang Kyungsook Han
Michael Gromiha (Eds.)

Intelligent Computing
in Bioinformatics
10th International Conference, ICIC 2014
Taiyuan, China, August 3-6, 2014
Proceedings

13
Volume Editors
De-Shuang Huang
Tongji University
Machine Learning and Systems Biology Laboratory
School of Electronics and Information Engineering
4800 Caoan Road, Shanghai 201804, China
E-mail: dshuang@tongji.edu.cn
Kyungsook Han
Inha University
Department of Computer Science and Engineering
Incheon, South Korea
E-mail: khan@inha.ac.kr
Michael Gromiha
Indian Institute of Technology (IIT) Madras
Department of Biotechnology
Chennai 600 036, Tamilnadu, India
E-mail: gromiha@iitm.ac.in

ISSN 0302-9743 e-ISSN 1611-3349

ISBN 978-3-319-09329-1 e-ISBN 978-3-319-09330-7
DOI 10.1007/978-3-319-09330-7
Springer Cham Heidelberg New York Dordrecht London

Library of Congress Control Number: 2014943596

LNCS Sublibrary: SL 8 – Bioinformatics

© Springer International Publishing Switzerland 2014
This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part of
the material is concerned, specifically the rights of translation, reprinting, reuse of illustrations, recitation,
broadcasting, reproduction on microfilms or in any other physical way, and transmission or information
storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar methodology
now known or hereafter developed. Exempted from this legal reservation are brief excerpts in connection
with reviews or scholarly analysis or material supplied specifically for the purpose of being entered and
executed on a computer system, for exclusive use by the purchaser of the work. Duplication of this publication
or parts thereof is permitted only under the provisions of the Copyright Law of the Publisher’s location,
in ist current version, and permission for use must always be obtained from Springer. Permissions for use
may be obtained through RightsLink at the Copyright Clearance Center. Violations are liable to prosecution
under the respective Copyright Law.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication
does not imply, even in the absence of a specific statement, that such names are exempt from the relevant
protective laws and regulations and therefore free for general use.
While the advice and information in this book are believed to be true and accurate at the date of publication,
neither the authors nor the editors nor the publisher can accept any legal responsibility for any errors or
omissions that may be made. The publisher makes no warranty, express or implied, with respect to the
material contained herein.
Typesetting: Camera-ready by author, data conversion by Scientific Publishing Services, Chennai, India
Printed on acid-free paper
Springer is part of Springer Science+Business Media (www.springer.com)
 Preface

The International Conference on Intelligent Computing (ICIC) was started to

provide an annual forum dedicated to the emerging and challenging topics in
artificial intelligence, machine learning, pattern recognition, bioinformatics, and
computational biology. It aims to bring together researchers and practitioners
from both academia and industry to share ideas, problems, and solutions related
to the multifaceted aspects of intelligent computing.
ICIC 2014, held in Taiyuan, China, during August 3–6, 2014, constituted
the 10th International Conference on Intelligent Computing. It built upon the
success of ICIC 2013, ICIC 2012, ICIC 2011, ICIC 2010, ICIC 2009, ICIC 2008,
ICIC 2007, ICIC 2006, and ICIC 2005 that were held in Nanning, Huangshan,
Zhengzhou, Changsha, China, Ulsan, Korea, Shanghai, Qingdao, Kunming, and
Hefei, China, respectively.
This year, the conference concentrated mainly on the theories and method-
ologies as well as the emerging applications of intelligent computing. Its aim was
to unify the picture of contemporary intelligent computing techniques as an in-
tegral concept that highlights the trends in advanced computational intelligence
and bridges theoretical research with applications. Therefore, the theme for this
conference was “Advanced Intelligent Computing Technology and Ap-
plications”. Papers focused on this theme were solicited, addressing theories,
methodologies, and applications in science and technology.
ICIC 2014 received 667 submissions from 21 countries and regions. All pa-
pers went through a rigorous peer-review procedure and each paper received at
least three review reports. Based on the review reports, the Program Committee
finally selected 235 high-quality papers for presentation at ICIC 2013, included
in three volumes of proceedings published by Springer: one volume of Lecture
Notes in Computer Science (LNCS), one volume of Lecture Notes in Artificial
Intelligence (LNAI), and one volume of Lecture Notes in Bioinformatics (LNBI).
This volume of Lecture Notes in Bioinformatics (LNBI) includes 58 papers.
The organizers of ICIC 2014, including Tongji University and North Univer-
sity of China, Taiyuan Normal University, Taiyuan University of Science and
Technology, made an enormous effort to ensure the success of the conference.
We hereby would like to thank the members of the Program Committee and
the referees for their collective effort in reviewing and soliciting the papers. We
would like to thank Alfred Hofmann, executive editor from Springer, for his frank
and helpful advice and guidance throughout and for his continuous support in
publishing the proceedings. In particular, we would like to thank all the authors
for contributing their papers. Without the high-quality submissions from the
VI Preface

authors, the success of the conference would not have been possible. Finally,
we are especially grateful to the IEEE Computational Intelligence Society, the
International Neural Network Society, and the National Science Foundation of
China for their sponsorship.

May 2014 De-Shuang Huang

Kyungsook Han
Michael Gromiha
 ICIC 2014 Organization

General Co-chairs

De-Shuang Huang, China Jiye Liang, China

Vincenzo Piuri, Italy Jianchao Zeng, China
Yan Han, China

Program Committee Co-chairs

Kang Li, UK
Juan Carlos Figueroa, Colombia

Organizing Committee Co-chairs

Kang-Hyun Jo, Korea Bing Wang, China
Valeriya Gribova, Russia Xing-Ming Zhao, China

Award Committee Chair

Vitoantonio Bevilacqua, Italy

Publication Chair
Phalguni Gupta, India

Workshop/Special Session Co-chairs

Jiang Qian, USA

Zhongming Zhao, USA

Special Issue Chair

M. Michael Gromiha, India
VIII ICIC 2014 Organization
Tutorial Chair
Laurent Heutte, France
International Liaison
Prashan Premaratne, Australia
Publicity Co-chairs
Kyungsook Han, Korea
Ling Wang, China
Exhibition Chair
Chun-Hou Zheng, China
Program Committee Members
Khalid Aamir, Pakistan
Andrea F. Abate, USA
Sabri Arik, Korea
Vasily Aristarkhov, Australia
Costin Badica, Japan
Waqas Bangyal, Pakistan
Vitoantonio Bevilacqua, Italy
Shuhui Bi, China
Jair Cervantes, Mexico
Yuehui Chen, China
Qingfeng Chen, China
Wen-Sheng Chen, China
Xiyuan Chen, China
Guanling Chen, USA
Yoonsuck Choe, USA
Ho-Jin Choi, Korea, Republic of
Michal Choras, Colombia
Angelo Ciaramella, China
Youping Deng, Japan
Primiano Di Nauta, Italy
Salvatore Distefano, USA
Ji-Xiang Du, China
Jianbo Fan, China
Abir Hussain, UK
Zhi-Gang Zeng, China
Minrui Fei, China
Juan Carlos Figueroa-Garcı́a,
Colombia
shan Gao, China
Liang Gao, China
Dun-wei Gong, India
Valeriya Gribova, China
Michael Gromiha, China
Xingsheng Gu, China
Kayhan Gulez, USA
Ping Guo, China
Phalguni Gupta, India
Kyungsook Han, Korea
Fei Han, China
Laurent Heutte, France
Wei-Chiang Hong, Taiwan
Yuexian Hou, China
Jinglu Hu, China
Tingwen Huang, Qatar
Peter Hung, Taiwan
Abir Hussain, UK
Saiful Islam, India
Li Jia, China
 ICIC 2014 Organization IX

Zhenran Jiang, China Dinggang Shen, USA

Kang-Hyun Jo, Korea Fanhuai Shi, China
Dah-Jing Jwo, Korea Shitong Wang, China
Seeja K.R, India Wilbert Sibanda, USA
Vandana Dixit Kaushik, India Jiatao Song, China
Gul Muhammad Khan, Pakistan Stefano Squartini, Italy
Sungshin Kim, Korea Badrinath Srinivas, USA
Donald Kraft, USA Zhan-Li Sun, China
Yoshinori Kuno, Japan Evi Syukur, USA
Takashi Kuremoto, Japan Joaquı́n Torres-Sospedra, Spain
Jaerock Kwon, USA Rua-Huan Tsaih, USA
Vincent Lee, Australia Antonio Uva, USA
Shihua Zhang, China Jun Wan, USA
Guo-Zheng Li, China Yong Wang, China
Xiaodi Li, China Ling Wang, China
Bo Li, China Jim Jing-Yan Wang, USA
Kang Li, UK Xuesong Wang, China
Peihua Li, China Bing Wang, China
Jingjing Li, USA Ze Wang, USA
Yuhua Li, UK Junwen Wang, HK
Honghuang Lin, USA Hong Wei, UK
Meiqin Liu, USA Wei Wei, Norway
Ju Liu, China Yan Wu, China
Xiwei Liu, China QingXiang Wu, China
Shuo Liu, China Junfeng Xia, China
Yunxia Liu, China Shunren Xia, China
Chu Kiong Loo, Mexico Bingji Xu, China
Zhao Lu, USA Gongsheng xu, China
Ke Lu, China Yu Xue, China
Yingqin Luo, USA Xin Yin, USA
Jinwen Ma, USA Xiao-Hua Yu, USA
Xiandong Meng, China Zhigang Zeng, China
Filippo Menolascina, Italy Shihua Zhang, China
Ivan Vladimir Meza-Ruiz, Australia Jun Zhang, China
Tarik Veli Mumcu Mumcu, Turkey Xing-Ming Zhao, China
Roman Neruda, Turkey Hongyong Zhao, China
Ben Niu, China Xiaoguang Zhao, China
Seiichi Ozawa, Korea Zhongming Zhao, USA
Paul Pang, China Bojin Zheng, China
Francesco Pappalardo, USA Chunhou Zheng, China
Surya Prakash, India Fengfeng Zhou, China
Prashan Premaratne, Australia Yongquan Zhou, China
Daowen Qiu, China Hanning Zhou, China
Angel Sappa, USA Li Zhuo, China
Li Shang, China Xiufen Zou, China
X ICIC 2014 Organization

Reviewers

Jakub Šmı́d Giuseppe Carbone

Pankaj Acharya Raffaele Carli
Erum Afzal Jair Cervantes
Parul Agarwal Aravindan Chandrabose
Tanvir Ahmad Yuchou Chang
Musheer Ahmad Deisy Chelliah
Syed Ahmed Gang Chen
Sabooh Ajaz Songcan Chen
Haya Alaskar Jianhung Chen
Felix Albu David Chen
Dhiya Al-Jumeily Hongkai Chen
Israel Alvarez Villalobos Xin Chen
Muhammad Amjad Fanshu Chen
Ning An Fuqiang Chen
Mary Thangakani Anthony Bo Chen
Masood Ahmad Arbab Xin Chen
Soniya be Liang Chen
Sunghan Bae Wei Chen
Lukas Bajer Jinan Chen
Waqas Bangyal Yu Chen
Gang Bao Junxia Cheng
Donato Barone Zhang Cheng
Silvio Barra Feixiong Cheng
Alex Becheru Cong Cheng
Ye Bei Han Cheng
Mauri Benedito Bordonau Chi-Tai Cheng
Simon Bernard Chengwang Xie
Vitoantonio Bevilacqua Seongpyo Cheon
Ying Bi Ferdinando Chiacchio
Ayse Humeyra Bilge Cheng-Hsiung Chiang
Honghua Bin Wei Hong Chin
Jun Bo Simran Choudhary
Nora Boumella Angelo Ciaramella
Fabio Bruno Azis Ciayadi
Antonio Bucchiarone Rudy Ciayadi
Danilo Caceres Danilo Comminiello
Yiqiao Cai Carlos Cubaque
Qiao Cai Yan Cui
Guorong Cai Bob Cui
Francesco Camastra Cuco Curistiana
Mario Cannataro Yakang Dai
Kecai Cao Dario d’Ambruoso
Yi Cao Yang Dan
 ICIC 2014 Organization XI

Farhan Dawood Francesco Ferrise

Francesca De Crescenzio Juan Carlos Figueroa
Kaushik Deb Michele Fiorentino
Saverio Debernardis Carlos Franco
Dario Jose Delgado-Quintero Gibran Fuentes Pineda
Sara Dellantonio Hironobu Fujiyoshi
Jing Deng Kazuhiro Fukui
Weilin Deng Wai-Keung Fung
M.C. Deng Chun Che Fung
Suping Deng Chiara Galdi
Zhaohong Deng Jian Gao
Somnath Dey Yushu Gao
Yunqiang Di Liang Gao
Hector Diez Rodriguez Yang Gao
Rong Ding Garcia-Lamont Farid
Liya Ding Garcia-Marti Irene
Sheng Ding Michele Gattullo
Sheng Ding Jing Ge
Shihong Ding Na Geng
Dayong Ding Shaho Ghanei
Xiang Ding Rozaida Ghazali
Salvatore Distefano Rosalba Giugno
Chelsea Dobbins Fengshou Gu
Xueshi Dong Tower Gu
Vladislavs Dovgalecs Jing Gu
Vlad Dovgalecs Smile Gu
Gaixin Du Guangyue Du
Dajun Du Weili Guo
Kaifang Du Yumeng Guo
Haibin Duan Fei Guo
Durak-Ata Lutfiye Tiantai Guo
Malay Dutta Yinan Guo
Tolga Ensari Yanhui Guo
Nicola Epicoco Chenglin Guo
Marco Falagario Lilin Guo
Shaojing Fan Sandesh Gupta
Ming Fan Puneet Gupta
Fenghua Fan Puneet Gupta
Shaojing Fan Shi-Yuan Han
Yaping Fang Fei Han
Chen Fei Meng Han
Liangbing Feng Yu-Yan Han
Shiguang Feng Zhimin Han
Guojin Feng Xin Hao
Alessio Ferone Manabu Hashimoto
XII ICIC 2014 Organization

Tao He Xu Jie
Selena He Jiening Xia
Xing He Taeseok Jin
Feng He Jingsong Shi
Van-Dung Hoang Mingyuan Jiu
Tian Hongjun Kanghyun Jo
Lei Hou Jayasudha John Suseela
Jingyu Hou Ren Jun
Ke Hu Fang Jun
Changjun Hu Li Jun
Zhaoyang Hu Zhang Junming
Jin Huang Yugandhar K.
Qiang Huang Tomáš Křen
Lei Huang Yang Kai
Shin-Ying Huang Hee-Jun Kang
Ke Huang Qi Kang
Huali Huang Dong-Joong Kang
Jida Huang Shugang Kang
Xixia Huang Bilal Karaaslan
Fuxin Huang Rohit Katiyar
Darma Putra i Ketut Gede Ondrej Kazik
Haci Ilhan Mohd Ayyub Khan
Sorin Ilie Muhammed Khan
Saiful Islam Sang-Wook Kim
Saeed Jafarzadeh Hong-Hyun Kim
Alex James One-Cue Kim
Chuleerat Jaruskulchai Duangmalai Klongdee
James Jayaputera Kunikazu Kobayashi
Umarani Jayaraman Yoshinori Kobayashi
Mun-Ho Jeong Takashi Komuro
Zhiwei Ji Toshiaki Kondo
Shouling Ji Deguang Kong
Yafei Jia Kitti Koonsanit
Hongjun Jia Rafal Kozik
Xiao Jian Kuang Li
Min Jiang Junbiao Kuang
Changan Jiang Baeguen Kwon
Tongyang Jiang Hebert Lacey
Yizhang Jiang Chunlu Lai
He Jiang Chien-Yuan Lai
Yunsheng Jiang David Lamb
Shujuan Jiang Wei Lan
Ying Jiang Chaowang Lan
Yizhang Jiang Qixun Lan
Changan Jiang Yee Wei Law
 ICIC 2014 Organization XIII

Tien Dung Le Rong Liu

My-Ha Le Liang Liu
Yongduck Lee Yufeng Liu
Jooyoung Lee Qing Liu
Seokju Lee Zhe Liu
Shao-Lun Lee Zexian Liu
Xinyu Lei Li Liu
Gang Li Shiyong Liu
Yan Li Sen Liu
Liangliang Li Qi Liu
Xiaoguang Li Jin-Xing Liu
Zheng Li Xiaoming Liu
Huan Li Ying Liu
Deng Li Xiaoming Liu
Ping Li Bo Liu
Qingfeng Li Yunxia Liu
Fuhai Li Alfredo Liverani
Hui Li Anthony Lo
Kai Li Lopez-Chau Asdrúbal
Longzhen Li Siow Yong Low
Xingfeng Li Zhen Lu
Jingfei Li Xingjia Lu
Jianxing Li Junfeng Luo
Keling Li Juan Luo
Juan Li Ricai Luo
Jianqing Li Youxi Luo
Yunqi Li Yanqing Ma
Bing Nan Li Wencai Ma
Lvzhou Li Lan Ma
Qin Li Chuang Ma
Xiaoguang Li Xiaoxiao Ma
Xinwu Liang Sakashi Maeda
Jing Liang Guoqin Mai
Li-Hua Zhang Mario Manzo
Jongil Lim Antonio Maratea
Changlong Lin Erik Marchi
Yong Lin Carlos Román Mariaca Gaspar
Jian Lin Naoki Masuyama
Genie Lin Gu Meilin
Ying Liu Geethan Mendiz
Chenbin Liu Qingfang Meng
James Liu Filippo Menolascina
Liangxu Liu Muharrem Mercimek
Yuhang Liu Giovanni Merlino
Liang Liu Hyeon-Gyu Min
XIV ICIC 2014 Organization

Martin Renqiang Min Ali Qamar

Minglei Tong Xiangbo Qi
Saleh Mirheidari Shijun Qian
Akio Miyazaki Pengjiang Qian
Yuanbin Mo Bin Qian
Quanyi Mo Ying Qiu
Andrei Mocanu Jian-Ding Qiu
Raffaele Montella Junfeng Qu
Montoliu Raul Junjun Qu
Tsuyoshi Morimoto Muhammad Rahman
Mohamed Mousa Alzawi Sakthivel Ramasamy
Lijun Mu Tao Ran
Inamullah Muhammad Martin Randles
Izharuddin Muhammed Caleb Rascon
Tarik Veli Mumcu Muhammad Rashid
Francesca Nardone Haider Raza
Fabio Narducci David Reid
Rodrigo Nava Fengli Ren
Patricio Nebot Stefano Ricciardi
Ken Nguyen Angelo Riccio
Changhai Nie Alejo Roberto
Li Nie Abdus Samad
Aditya Nigam Ruya Samli
Evgeni Nurminski Hongyan Sang
Kok-Leong Ong Michele Scarpiniti
Kazunori Onoguchi Dongwook Seo
Zeynep Orman Shi Sha
Selin Ozcira Elena Shalfeeva
Cuiping Pan Li Shang
Binbin Pan Linlin Shen
Quan-Ke Pan Yehu Shen
Dazhao Pan Haojie Shen
Francesco Pappalardo Jin Biao Shen
Jekang Park Ajitha Shenoy
Anoosha Paruchuri Jiuh-Biing Sheu
Vibha Patel Xiutao Shi
Samir Patel Jibin Shi
Lizhi Peng Fanhuai Shi
Yiming Peng Yonghong Shi
Jialin Peng Yinghuan Shi
Klara Peskova Atsushi Shimada
Caroline Petitjean Nobutaka Shimada
Martin Pilat Ji Sun Shin
Surya Prakash Ye Shuang
Philip Pretorius Raghuraj Singh
 ICIC 2014 Organization XV

Dushyant Kumar Singh Andrysiak Tomasz

Haozhen Situ Torres-Sospedra Joaquı́n
Martin Slapak Sergi Trilles
Sergey Smagin Yao-Hong Tsai
Yongli Song Naoyuki Tsuruta
Yinglei Song Fahad Ullah
Meiyue Song Pier Paolo Valentini
Bin Song Andrey Vavilin
Rui Song Giuseppe Vettigli
Guanghua Song Petra Vidnerová
Gang Song Villatoro-Tello Esaú
Sotanto Sotanto Ji Wan
Sreenivas Sremath Tirumala Li Wan
Antonino Staiano Lin Wan
Jinya Su Quan Wang
Hung-Chi Su Zixiang Wang
Marco Suma Yichen Wang
Xiaoyan Sun Xiangjun Wang
Jiankun Sun Yunji Wang
Sheng Sun Hong Wang
Yu Sun Jinhe Wang
Celi Sun Xuan Wang
Yonghui Sun Xiaojuan Wang
Zengguo Sun Suyu Wang
Jie Sun Zhiyong Wang
Aboozar Taherkhani Xiangyu Wang
Shinya Takahashi Mingyi Wang
Jinying Tan Yan Wang
Shijun Tang Zongyue Wang
Xiwei Tang Huisen Wang
Buzhou Tang Yongcui Wang
Ming Tang Xiaoming Wang
Jianliang Tang Zi Wang
Hissam Tawfik Jun Wang
Zhu Teng Aihui Wang
Sin Teo Yi Wang
Girma Tewolde Ling Wang
Xiange Tian Zhaoxi Wang
Yun Tian Shulin Wang
Tian Tian Yunfei Wang
Hao Tian Yongbo Wang
Gao Tianshun Zhengxiang Wang
Kamlesh Tiwari Sheng-Yao Wang
Amod Tiwari Jingchuan Wang
Kamlesh Tiwari Qixin Wang
XVI ICIC 2014 Organization

Yong Wang Jin Xu

Fang-Fang Wang Xin Xu
Tian Wang Meng Xu
Zhenzhong Wang Li Xu
Panwen Wang Feng Xu
Lei Wang Zhenyu Xuan
Qilong Wang Hari Yalamanchili
Dong Wang Atsushi Yamashita
Ping Wang Mingyuan Yan
Huiwei Wang Yan Yan
Yiqi Wang Zhigang Yan
Zhixuan Wei Bin Yan
Zhihua Wei Zhile Yang
Li Wei Dan Yang
Shengjun Wen Yang Yang
Shiping Wen Wankou Yang
Di Wu Wenqiang Yang
Yonghui Wu Yuting Yang
Chao Wu Chia-Luen Yang
Xiaomei Wu Chyuan-Huei Yang
Weili Wu Deng Yanni
Hongrun Wu Jin Yao
Weimin Wu Xiangjuan Yao
Guolong Wu Tao Ye
Siyu Xia Xu Ye
Qing Xia Fengqi Yi
Sen Xia Wenchao Yi
Jin Xiao Kai Yin
Min Xiao James j.q. Yu
Qin Xiao Helen Yu
Yongfei Xiao Jun Yu
Zhao Xiaoguang Fang Yu
Zhuge Xiaozhong Xu Yuan
Minzhu Xie Lin Yuan
Zhenping Xie Jinghua Yuan
Jian Xie Lin Yuling
Ting Xie Faheem Zafari
Chao Xing Xue-Qiang Zeng
Wei Xiong Haimao Zhan
Hao Xiong Yong-Wei Zhang
Yi Xiong Jing Zhang
Xiaoyin Xu Shuyi Zhang
Dawen Xu Kevin Zhang
Jing Xu Ming Zhang
Yuan Xu Zhenmin Zhang
 ICIC 2014 Organization XVII

Xuebing Zhang Yunlong Zhao

Minlu Zhang Miaomiao Zhao
Jianping Zhang Xinhua Zhao
Xiaoping Zhang Xu Zhao
Yong Zhang Guodong Zhao
Qiang Zhang Liang Zhao
Guohui Zhang Feng Zhao
Chunhui Zhang Juan Zhao
Yifeng Zhang Junfei Zhao
Wenxi Zhang Changbo Zhao
Xiujun Zhang Yue Zhao
Long Zhang Min Zheg
Jian Zhang Dong Zhen
Boyu Zhang Guang Zheng
Hailei Zhang Xiaolong Zheng
Hongyun Zhang Huanyu Zheng
Jianhua Zhang Shenggen Zheng
Chunjiang Zhang Shan Zhong
Peng Zhang Qi Zhou
Jianhai Zhang Mian Zhou
Hongbo Zhang Yinzhi Zhou
Lin Zhang Jiayin Zhou
Xiaoqiang Zhang Songsheng Zhou
Haiying Zhang Bo Zhou
Jing Zhang Qiang Zhou
Wei Zhang Lei Zhu
Qian Zhang Lin Zhu
Hongli Zhang Yongxu Zhu
Guohui Zhang Nanli Zhu
Liping Zhang Xiaolei Zhu
Hongbo Zhang Majid Ziaratban
Sen Zhao Xiangfu Zou
Yaou Zhao Brock Zou
Jane Zhao Tanish
Liang Zhao Qiqi Duan
 Table of Contents

Machine Learning
Predicting the Outer/Inner BetaStrands in Protein Beta Sheets Based
on the Random Forest Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Li Tang, Zheng Zhao, Lei Zhang, Tao Zhang, and Shan Gao

Extract Features Using Stacked Denoised Autoencoder . . . . . . . . . . . . . . . 10

Yushu Gao, Lin Zhu, Hao-Dong Zhu, Yong Gan, and Li Shang

Cancer Classification Using Ensemble of Error Correcting Output

Codes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Zhihao Zeng, Kun-Hong Liu, and Zheyuan Wang

Early Detection Method of Alzheimer’s Disease Using EEG Signals . . . . . 25

Dhiya Al-Jumeily, Shamaila Iram, Abir Jaafar Hussain,
Vialatte Francois-Benois, and Paul Fergus

Neural Networks
Tumor Clustering Using Independent Component Analysis and
Adaptive Affinity Propagation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Fen Ye, Jun-Feng Xia, Yan-Wen Chong, Yan Zhang, and
Chun-Hou Zheng

Research of Training Feedforward Neural Networks Based on Hybrid

Chaos Particle Swarm Optimization-Back-Propagation . . . . . . . . . . . . . . . . 41
Fengli Zhou and Xiaoli Lin

Training Deep Fourier Neural Networks to Fit Time-Series Data . . . . . . . 48

Michael S. Gashler and Stephen C. Ashmore

Regularized Dynamic Self Organized Neural Network Inspired by the

Immune Algorithm for Financial Time Series Prediction . . . . . . . . . . . . . . 56
Haya Al-Askar, Abir Jaafar Hussain, Dhiya Al-Jumeily, and
Naeem Radi

Image Processing
Multi-scale Level Set Method for Medical Image Segmentation without
Re-initialization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Xiao-Feng Wang, Hai Min, Le Zou, and Yi-Gang Zhang
XX Table of Contents

A Novel Local Regional Model Based on Three-Layer Structure . . . . . . . . 72

Hai Min and Xiao-Feng Wang

Multi-modality Medical Case Retrieval Using Heterogeneous1

Information . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Menglin Wu and Quansen Sun

An Incremental Updating Based Fast Phenotype Structure Learning

Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Hao Cheng, Yu-Hai Zhao, Ying Yin, and Li-Jun Zhang

Computational Systems Biology and Medical

Informatics
A Multi-Instance Multi-Label Learning Approach for Protein Domain
Annotation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
Yang Meng, Lei Deng, Zhigang Chen, Cheng Zhou, Diwei Liu,
Chao Fan, and Ting Yan

An Advanced Machine Learning Approach to Generalised Epileptic

Seizure Detection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
Paul Fergus, David Hignett, Abir Jaafar Hussain, and
Dhiya Al-Jumeily

Structure-Based Prediction of Protein Phosphorylation Sites Using an

Ensemble Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Yong Gao, Weilin Hao, Zhigang Chen, and Lei Deng

Concept Mining of Binary Gene Expression Data . . . . . . . . . . . . . . . . . . . . 126

Ping He, Xiaohua Xu, Yongsheng Ju, Lin Lu, and Yanqiu Xi

Inference of Dynamic Gene Regulatory Relations with Multiple

Regulators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
Jeonghoon Lee, Yu Chen, and Kyungsook Han

Evolving Additive Tree Model for Inferring Gene Regulatory

Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
Guangpeng Li, Yuehui Chen, Bin Yang, Yaou Zhao, and Dong Wang

Analyzing Support Vector Machine Overfitting on Microarray Data . . . . 148

Henry Han
Evolutionary Design of Synthetic Gene Networks by Means of a
Semantic Expert System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
Paolo Pannarale and Vitoantonio Bevilacqua
Stability and Oscillation of the Solutions for a Coupled FHN Model
with Time Delays . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
Yuanhua Lin
 Table of Contents XXI

A Restrained Optimal Perturbation Method for Solving a Kind of

Inverse Problem with Variable Coefficient . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Bo Wang, Yujing Yuan, and Guang-an Zou

A Knowledge-Guided Approach for Inferring Gene Regulatory

Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
Yu-Ting Hsiao and Wei-Po Lee

Biomedical Informatics Theory and Methods

A Framework for Automatic Hair Counting and Measurement . . . . . . . . . 193
Qian Zhang

A Deep Learning Method for Classification of EEG Data Based on

Motor Imagery . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
Xiu An, Deping Kuang, Xiaojiao Guo, Yilu Zhao, and Lianghua He

Investigation of New Statistical Features for BCI Based Sleep Stages

Recognition through EEG Bio-signals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
Ibrahim Sefik, Furkan Elibol, Ibrahim Furkan Ince, and Ilker Yengin

Discrimination of ADHD Based on fMRI Data with Deep Belief

Network . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
Deping Kuang, Xiaojiao Guo, Xiu An, Yilu Zhao, and Lianghua He

ADHD-200 Classification Based on Social Network Method . . . . . . . . . . . . 233

Xiaojiao Guo, Xiu An, Deping Kuang, Yilu Zhao, and Lianghua He

Motor Imagery EEG Signals Analysis Based on Bayesian Network with

Gaussian Distribution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
Lianghua He and Bin Liu

Prediction of Molecular Substructure Using Mass Spectral Data Based

on Metric Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
Zhi-Shui Zhang, Li-Li Cao, and Jun Zhang

Combine Multiple Mass Spectral Similarity Measures for Compound

Identification in GC-MS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
Li-Huan Liao, Yi-Fei Zhu, Li-Li Cao, and Jun Zhang

Metagenomic Phylogenetic Classification Using Improved Naı̈ve

Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
Yuki Komatsu, Takashi Ishida, and Yutaka Akiyama

Predicting Protein-Protein Interaction Sites by Rotation Forests with

Evolutionary Information . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
Xinying Hu, Anqi Jing, and Xiuquan Du
XXII Table of Contents

Predicting Potential Ligands for Orphan GPCRs Based on the

Improved Laplacian Regularized Least Squares Method . . . . . . . . . . . . . . . 280
Yan Yan, Xinwei Shao, and Zhenran Jiang
Computational Evaluation of Protein Energy Functions . . . . . . . . . . . . . . . 288
Nashat Mansour and Hussein Mohsen

Selection and Classification of Gene Expression Data Using a

MF-GA-TS-SVM Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
Hernández-Montiel Alberto Luis, Bonilla-Huerta Edmundo,
Morales-Caporal Roberto, and Guevara-Garcı́a Antonio José
Evaluation of Advanced Artificial Neural Network Classification and
Feature Extraction Techniques for Detecting Preterm Births Using
EHG Records . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309
Paul Fergus, Ibrahim Olatunji Idowu, Abir Jaafar Hussain,
Chelsea Dobbins, and Haya Al-Askar

Potential Driver Genes Regulated by OncomiRNA Are Associated with

Druggability in Pan-Negative Melanoma . . . . . . . . . . . . . . . . . . . . . . . . . . . . 315
Di Zhang and Jun-Feng Xia

Classification of Ventricular Tachycardia and Fibrillation Based on the

Lempel-Ziv Complexity and EMD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322
Deling Xia, Qingfang Meng, Yuehui Chen, and Zaiguo Zhang

Prediction of Protein Structure Classes with Ensemble Classifiers . . . . . . 330

Wenzheng Bao, Yuehui Chen, Dong Wang, Fanliang Kong, and
Gaoqiang Yu

A Parameterized Algorithm for Predicting Transcription Factor Binding

Sites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 339
Yinglei Song, Changbao Wang, and Junfeng Qu

Special Session on Advances in Bio-inspired

Computing: Theories and Applications
Road Network Construction and Hot Routes Inferring with Vehicular
Trajectories . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 351
Junwei Wu, Yunlong Zhu, and Hanning Chen

PSO Based on Cartesian Coordinate System . . . . . . . . . . . . . . . . . . . . . . . . 363

Yanmin Liu, Zhuanzhou Zhang, Yuanfeng Luo, and Xiangbiao Wu

An Improved PSO for Multimodal Complex Problem . . . . . . . . . . . . . . . . . 371

Yanmin Liu, Zhuanzhou Zhang, Yuanfeng Luo, and Xiangbiao Wu

A Weighted Bacterial Colony Optimization for Feature Selection . . . . . . . 379

Hong Wang, Xingjing Jing, and Ben Niu
 Table of Contents XXIII

A Novel Method for Image Segmentation Based on Nature Inspired

Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 390
Yang Liu, Kunyuan Hu, Yunlong Zhu, and Hanning Chen
Neural Network Based on Self-adaptive Differential Evolution for
Ultra-Short-Term Power Load Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . 403
Wei Liu, Hui Song, Jane Jing Liang, Boyang Qu, and Alex Kai Qin
Bacterial Foraging Optimization with Neighborhood Learning for
Dynamic Portfolio Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 413
Lijing Tan, Ben Niu, Hong Wang, Huali Huang, and Qiqi Duan
Structure-Redesign-Based Bacterial Foraging Optimization for Portfolio
Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 424
Ben Niu, Ying Bi, and Ting Xie
Bacterial Colony Optimization for Integrated Yard Truck Scheduling
and Storage Allocation Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 431
Ben Niu, Ting Xie, Ying Bi, and Jing Liu

Special Session on Protein and Gene Bioinformatics:

Analysis, Algorithms and Applications
Improving Fusion with One-Class Classification and Boosting in
Multimodal Biometric Authentication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 438
Quang Duc Tran and Panos Liatsis
Integrative Analysis of Gene Expression and Promoter Methylation
during Reprogramming of a Non-Small-Cell Lung Cancer Cell Line
Using Principal Component Analysis-Based Unsupervised Feature
Extraction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 445
Y.-h. Taguchi
Predicting the Subcellular Localization of Proteins with Multiple Sites
Based on Multiple Features Fusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 456
Xumi Qu, Yuehui Chen, Shanping Qiao, Dong Wang, and Qing Zhao
Global Voting Model for Protein Function Prediction from
Protein-Protein Interaction Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 466
Yi Fang, Mengtian Sun, Guoxian Dai, and Karthik Ramani
Comparative Assessment of Data Sets of Protein Interaction Hot Spots
Used in the Computational Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 478
Yunqiang Di, Changchang Wang, Huan Wu, Xinxin Yu, and
Jun-Feng Xia
The Intrinsic Geometric Structure of Protein-Protein Interaction
Networks for Protein Interaction Prediction . . . . . . . . . . . . . . . . . . . . . . . . . 487
Yi Fang, Mengtian Sun, Guoxian Dai, and Karthik Ramani
XXIV Table of Contents

Identification of Novel c-Yes Kinase Inhibitors . . . . . . . . . . . . . . . . . . . . . . . 494

C. Ramakrishnan, A.M. Thangakani, D. Velmurugan, and
M. Michael Gromiha

A New Graph Theoretic Approach for Protein Threading . . . . . . . . . . . . . 501

Yinglei Song and Junfeng Qu

Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509

 Predicting the Outer/Inner BetaStrands in Protein Beta
Sheets Based on the Random Forest Algorithm

Li Tang1,2,*, Zheng Zhao1, Lei Zhang3,*, Tao Zhang3,**, and Shan Gao3,**
1
School of Computer Science and Technology, Tianjin University, Tianjin, P.R. China
tangli0831@yeah.net
2
Information Science and Technology Department,
Tianjin University of Finance and Economics, Tianjin, P.R. China
3
Key Lab. of Bioactive Materials, Ministry of Education and The College of Life Sciences,
Nankai University, Tianjin, P.R. China
{zhni,zhangtao,gao_shan}@nankai.edu.cn

Abstract. The beta sheet, as one of the three common second form of regular
secondary structure in proteins plays an important role in protein function. The
best strands in a beta sheet can be classified into the outer or inner strands.
Considering the protein primary sequences have determinant information to
arrange the strands in the beta sheet topology, we introduce an approach by
using the random forest algorithm to predict outer or inner arrangement of a
beta strand. We use nine features to describe a strand based on the
hydrophobicity, the hydrophilicity, the side-chain mass and other properties of
the beta strands. The random forest classifiers reach the best prediction
accuracy 89.45% with 10-fold cross-validation among five machine learning
methods. This result demonstrates that there are significant differences between
the outer beta strands and the inner ones in beta sheets. The finding in this study
can be used to arrange beta strands in a beta sheet without any prior structure
information. It can also help better understanding the mechanisms of protein
beta sheet formation.

Keywords: beta sheet, beta strand, protein secondary structure, random forest
algorithm.

1 Introduction

Protein secondary structure is an important bridge to understand the protein’s three-

dimensional structure from its amino acid sequence[1-3]. Investigation of the protein
secondary structure helps the determination of the protein structure, as well as the
design of new proteins[4]. The beta sheet (also β-pleated sheet) is one of the three
common second form of regular secondary structure in proteins. The statistical data of
the PDB database[5] showed more than 75% of proteins with known structures

*
These authors contributed equally to this paper.
**
Corresponding author.

D.-S. Huang et al. (Eds.): ICIC 2014, LNBI 8590, pp. 1–9, 2014.
© Springer International Publishing Switzerland 2014
2 L. Tang et al.

contain beta sheets. To predict these beta sheet containing proteins, assigning beta
strands to a beta sheet can reduce the search space in the ab initio methods[13, 45].
Moreover, beta sheets play some important roles in protein functions, particularly in
the formation of the protein aggregation observed in many human diseases, notably
the Alzheimer's disease.

Fig. 1. Illustration of beta strands pairs and configurations. Arrows show the amide (N) to
carbonyl (C) direction of beta strands. Hydrogen bonds are represented by dotted lines.

In a beta sheet, beta strands are paired by the interactive hydrogen bonds in parallel
or antiparallel arrangement (Fig.1). A beta sheet forms a topology (Fig.2b), which can
be described by three components: the group of beta strands in the beta sheet, the
orders of these beta strands on the sequence level (Fig.3), and the configuration of
beta strand pairs (parallel or antiparallel). The order of beta strands arranged in a beta
sheet topology differs with the order of beta strands on sequence level (Fig.2). As
described in the Protein Data Bank Contents Guide[6], beta strands are listed and
numbered according to their orders on the sequence level. In this study, the first and
the last strand in a beta sheet are defined as outer strands, whereas the other strands
are defined as inner strands (Fig.3).
Many studies have been proposed to reach the different levels of understanding the
beta sheet topology. The mechanisms and rules of beta sheet formation are
investigated and simulated by theoretical and experimental method[7-10]. Some
efforts focus on the prediction of residue contact maps, which can be used to construct
the beta sheet topology[11, 12]. Other researcher predicted the parallel/antiparallel
beta strand pairs[13-15], based on the non-random distribution and pairing
 Predicting the Outer/Inner BetaStrands in Protein Beta Sheets 3

preferences of amino acids in parallel and antiparallel beta strand pairs[16-19].

Utilizing machine learning algorithms, several methods are proposed to predict the
topology of some certain kinds of beta sheets[2, 20, 21]. Although much
achievements have been acquired in some aspects of beta sheet studies, the
mechanisms of beta strands to form beta sheets have not yet to be fully understood[7].

Fig. 2. (a) Seven strands of protein 1VJG in sequence order. (b) Beta-sheet topology of protein
1VJG. (c) Protein 1VJG rendered in Rasmol.

Considering the two outer beta strands take the starting and terminal location in one
beta sheet, we suggest beta strands probably have different conservative properties in
the outer and inner strands on the sequenced level. In this study, we predict the
outer/inner beta strands in beta sheets using the Random Forest (see Materials and
Methods), extracting the features from the protein primary sequences.

Fig. 3. Illustration of beta strands number in the beta sheets of protein 1VJG in the PDB file.
The number 1 and 5 marked with circles denote the outer beta strands; whereas the number
marked with the box denote inner ones. The number 1 strand, ranging from the sequence
number of residue 43 to 51, corresponds to the second strand in sequence order.
4 L. Tang et al.

2 Materials and Methods

2.1 Datasets

The protein structure dataset we used is from a database server named PISCES,
established by Wang et al[22, 23]. For precisely examining the accuracy of the
classification via a cross-validation, an appropriate cutoff threshold of sequence
identity is necessary to avoid the redundancy and homology bias[24, 25]. PISCES
utilizes a combination method of PSI-BLAST and structure-based alignments to
determine sequence identities, and products lists of sequences from the Protein Data
Bank (PDB) using a number of entry- and chain-specific criteria and mutual sequence
identity according to the needs of the study. In our investigation, a non-redundant
dataset (cullpdb_pc25_res2.0_R0.25_d090516_chains4260) with the sequence
identity percentage cut-off 25% is used. Crystal structures have a resolution of 2.0 Å
or better and an R-factor below 0.25. We import the set into the Sheet Pair Database
[26] for easier data management and screening. Many incorrectness samples such as
protein chains that contain non-standard amino acids or disordered regions[27, 28],
any patterns with a chain break or heteroatom are excluded. We treat the outer beta
strands as positive samples and the inner ones as negative samples (Fig. 3). In the
final dataset, there are 1,205 proteins, of which contained 11,424 outer beta strands
and 13,285 inner ones.

2.2 Feature Extraction

Protein folding is a collaborative process but mainly driven by the hydrophobic

interaction[29]. The balance of the interaction between hydrophobicity and
hydrophilicity is a notable feature of the stability of protein structure[29,30]. The
previous studies also showed that the amino acid hydrophobicity and molecular size
are two important factors that cause differences of amino acid conservative[31]. In
this study, we used nine features to describe a beta strand. Seven of nice features are
based on three physical and chemical properties of the amino acids, which are the
hydrophobicity value (H1) from Tanford[32], the hydrophilicity value (H2) from Hopp
and Woods[33], and the mass of side chain of amino acid(M). The other two
features are from the Pseudo-Amino Acid Composition (PseAAC), which was
originally introduced by Chou for the prediction of protein subcellular localization
and membrane protein type[34]. The PseAAC includes not only the main feature of
amino acid composition but also sequence order information beyond amino acid
composition. It can represent a protein sequence comprehensively with additional
sequence order effects reflected by a series of sequence correlation factors with
different tiers of correlation.
A beta strand chain can be represented by a 9-dimension numeric vector
X = {x1 x2 x3 … x7 x8 x9 } . Each value in the vector can be calculated by such formulas:
 Predicting the Outer/Inner BetaStrands in Protein Beta Sheets 5

1 L 1 L 1
x1 = i =1 H 1 ( Ri ), x2 = ∏ i=1 H 1 ( Ri ), x3 = iL=1 H 1 ( Ri ), x4 = iL=1 H 2 ( Ri ) (1-4)
L L L

1 L 1
x5 = ∏ i =1 H 2 ( Ri ), x6 = iL=1 H 2 ( Ri ), x7 = iL=1 M ( Ri ) (5-7)
L L

w L−1
i =1 Θ( Ri , Ri +1 )
x8 =
1
iL=−11Θ( Ri , Ri +1 ), x9 = L −1 (8-9)
L −1 w L−1
=1 f i +
i20 i =1 Θ( Ri , Ri +1 )
L −1

Where, H 1 ( Ri ), H 2 ( Ri ) and M ( Ri ) are the hydrophobicity value, hydrophilicity value,

and side-chain mass of the amino acid Ri after the standard conversion, respectively.
The element x8 is the first-tier correlation factor defined in PseAAC[34].Since
the length of a beta strand sequence is usually not long, only the first-tier correlation
factor is calculated which can reflect the sequence order correlation between all the
most contiguous residues along a beta strand sequence[34]. Correspondingly, the
element x9 is the 21st component of PseAAC. In Eq.(9), f i is the normalized
occurrence frequency of the 20 amino acids in the beta strand and w is the weight
factor for the sequence order effect and is set to default value 0.05 in the current study
[34]. In Eq.(8) and Eq.(9), Θ( Ri , Ri +1 ) is calculated by the following equation as
described in PseAAC:
1
Θ( Ri , Ri+1 ) = {[ H 1 ( Ri +1 ) − H 1 ( Ri )]2 + [ H 2 ( Ri+1 ) − H 2 ( Ri )]2 + [ M ( Ri +1 ) − M ( Ri )]2 } (10)
3

The standard conversion from H10 (R i ) to H1 ( Ri ) is described by the forrmula

(11) as below. H10 (R i ), H 02 (R i ) and M 0 (R i ) are the raw values of the amino acid
hydrophobicity, hydrophilicity and side-chain mass.

H 10 ( Ri ) 2
 i20
0
=1 ( H 1 ( Ri ) − i20 )
H 10 ( Ri ) 20 (11)
H 1 ( Ri ) = ( H 10 ( Ri ) −  i20 )/
20 20

2.3 The Random Forest Algorithm

Random Forest (RF), as a machine learning algorithm, was originally introduced by
Breiman[35]. RF generates decision trees by randomly sampling subspaces of the
input features, and then makes the final decisions by a majority voting from these
6 L. Tang et al.

trees. RF has a good predictive performance even though the dataset has much noise
[36]. With the increased number of decision trees, RF avoids the overfitting problem
or the dependence on the training data sets[35]. In view of the good characteristics of
Random Forest, it has been applied successfully to deal with many classification or
prediction problems in varied biological fields[37-41]. In this study, we used theWeka
software package[42] to implement the RF classification of the outer/inner beta
strands. There are three parameters to run RF in Weka developer version 3.6.2, which
are I: the number of trees constructed in the forest; K: the number of features
calculated to define each of the nodes in a tree; and S:random number seed. In this
study, we used the default setting without model selection.

2.4 Performance Measures

To assess the performance of classifiers we used the following measures: the number
of true positives (TP), the number of false positives (FP), the number of true negatives
(TN), the number of false negatives (FN) , sensitivity of positive examples(Sn+),
specificity of positive examples(Sp+), sensitivity of negative examples(Sn-),
specificity of negative examples(Sp-), accuracy(Ac) and Matthews correlation
coefficient(MCC), as described in[43].

3 Results

In order to compare the prediction performance of different algorithms with that of

Random Forest (RF), BayesNet, support vector machine (SVM), multilayer
perceptron (MLP) and K-nearest-neighbor (IBk) were used to classify the outer/inner
beta strands with the default parameter setting. The SVM algorithm was implemented
by the LibSVM 2.86 [44], while the other three algorithms were implemented in
Weka. Ten-fold cross-validation test was used to evaluate the accuracy of each
prediction algorithm. The prediction accuracy of outer/inner beta strands in beta
sheets reaches 89.45% Ac and 0.79 MCC by using RF (see 2.3). From Table 1, we
can see that RF reaches the best performance among five algorithms. The prediction
accuracy of RF is about 2% higher than the K-nearest-neighbor classifier,
significantly ahead of the Naive Bayes, SVM and MLP classifiers.

Table 1. The prediction result of theouter/inner beta strands

Algorithm Sn+ Sp+ Sn- Sp- Ac MCC

BayesNet 0.61 0.71 0.78 0.70 70.14% 0.40
SVM 0.75 0.66 0.74 0.81 74.38% 0.48
MLP 0.73 0.77 0.81 0.78 77.35% 0.54
IBk 0.86 0.87 0.89 0.88 87.53% 0.75
RF 0.87 0.90 0.92 0.89 89.45% 0.79
Another random document with
no related content on Scribd:
Stand unserer heutigen Kunde gebracht, ist erfreulicherweise
nunmehr, wenigstens vorläufig zum Theil, in Aussicht gestellt. [14]

Ganz nahe schliesst sich diese Art keiner bekannten an. V.

brachypterus (Temm.) von Java, Sumátra und Banka (D o b s o n
Cat. 1878, 223) hat, abgesehen von anderen Differenzen, kurze
Flügel, keinen Penisknochen und weicht in der Bezahnung
wesentlich ab. Die Untergattung Hesperoptenus Ptrs. (Mb. Ak. Berl.
1868, 626) ist u. a. auch auf das Vorhandensein eines Penisknochen
gegründet worden, welcher Charakter aber, ausser bei V. petersi, in
der Gattung Vesperugo noch sonst vorkommen dürfte; es sind bis
jetzt noch nicht alle Arten daraufhin untersucht.

Anmerkung

Ich benutze diese Gelegenheit zur Charakterisirung einer

Subspecies von Neu Guinea.

P e t e r s & D o r i a beschrieben (Ann. Mus. Gen. XVI, 696 1881)

nach einem Weibchen von Salawati Vesperugo papuanus und
T h o m a s (NZ. II, 164 1895) führte ihn von Fergusson Insel,
D’Entrecasteaux Gruppe, im Südosten von Neu Guinea, auf, ohne
weiter eine Bemerkung dazu zu machen. Das Dresdner Museum
erhielt eine Anzahl Exemplare von Bongu, an der Astrolabebai, Ost
Neu Guinea, die dieser Art sehr nahe stehen, wenn auch nicht mit
ihr zu identificiren sind. Ich nenne sie:

Vesperugo papuanus orientalis.

Sie unterscheiden sich in folgenden Punkten: Vorderarm 27–31 mm
(statt 27), 27 kommt nur bei éinem Exemplar unter 19 vor, meist 28,
aber auch 29, 30 und 31 mm; die Füsse sind viel robuster, die
Haftscheiben am Daumen und an den Fussohlen viel deutlicher
ausgeprägt (die Individuen variiren in dieser Beziehung etwas
untereinander); endlich ist p 2 inf. ⅔ so gross wie p 1 inf., nicht ½
wie bei dem Salawati-Exemplare nach der Angabe von P e t e r s &
D o r i a , wobei ich aber bemerken muss, dass bei dem Typus, den
ich durch die Güte des Hrn. Dr. G e s t r o untersuchen konnte, das
Verhältniss von ½ nicht scharf ausgeprägt ist, es neigt da auch zu ⅔.
Auf alle Fälle aber differiren die Ost Neu Guinea-Exemplare von dem
von Salawati genügend, um sie vorläufig subspecifisch abzutrennen.
Es wird sich später erweisen, ob ihnen Species-Charakter zukommt.

Das Männchen besitzt einen kleinen

z w e i s p i t z i g e n R u t h e n k n o c h e n . D o b s o n (Cat. 1878 p.
XXIX) sagt von den Penisknochen der Chiropteren im Allgemeinen:
„Its form varies sometimes considerably even in species of the same
genus.“

[Inhalt]

19. Vesperugo minahassae n. sp.

Tafel IV, Fig. 3 (​2⁄1 n. Gr.)

V. brunneus (supra: Ridgway inter III, 5 et 11, subtus: III, 11),

alis nigricantibus, corpore compacto, capite depresso, auriculis
modicis, margine externo infra labiorum commissuram inserto,
trago margine interno fere recto, externo convexo, apice
 subacuto; alis malleolis affixis; cauda apice extremo prominente;
incisivo primo superiore tricuspido, secundo parvo, apice
subcrenato; praemolari primo superiore juxta caninum inserto,
secundo minimo, intra aliorum dentium ordinem posito,
extrinsecus non visibili; incisivis inferioribus secundum
mandibulae directionem positis; pene ossiculo armato.
Long. tot. c. 95 mm, antibr. 36 mm.
Habitatio: Celébes.
mas,a. in Spiritus, Tomohon, Minahassa, Nord Celébes, II
94.

Körper gedrungen. O b e r s e i t e zwischen vandykebraun und

proutbraun (Ridgw.), kurzhaarig, glänzend, sammetartig,
U n t e r s e i t e proutbraun, mässig stark behaart. Dorsal ist nur ein
Drittel des Oberarms und die Hälfte des Oberschenkels mit Haaren
besetzt, ventral reichen sie etwas weiter.

F l u g h ä u t e schwärzlich, dorsale Oberfläche nackt, nur auf der

Schulterflughaut ein Querstreif spärlich mit Haaren besetzt, und die
Schenkelflughaut schwach, kaum bis zum Ende des ersten
Schwanzwirbels behaart; ventrale Oberfläche ebenfalls nackt, nur
auf der Schulter- und Fingerflughaut zwischen Vorderarm und 5.
Finger spärliche Haare, sowie ein Dreieck am Ellenbogen kaum bis
zum Knie, und die Schenkelflughaut in ihrem proximalen Theile,
schwach behaart. Die Lendenflughaut ist am Knöchel angewachsen,
[15]die Schenkelflughaut schliesst den Schwanz bis zur Mitte des
letzten Gliedes ein, und er liegt in ihrer Oberseite; der hintere freie
Rand der Schenkelflughaut verläuft ziemlich gerade, der Sporn trägt
an seiner proximalen Hälfte ein bis 1.5 mm breites, 9 mm langes
Hautläppchen (rechts kürzer).

O h r e n innen, vom crus helicis und anthelicis querüber bis zur

Spitze, spärlich mit Haaren besetzt, aussen nackt; Innenrand
gerade, Spitze abgerundet, Aussenrand convex, Antitragus stark
gewulstet, breit, etwas über der Mitte des äusseren Randes des
linken Ohrs ein kleiner Einschnitt, darüber der Helix etwas
ausladend, am rechten Ohre fehlt dieser Einschnitt, ist aber durch
eine leichte Concavität des Randes, sowie durch eine seichte
Depression markirt; der äussere Ohrrand endet 6 mm unterhalb des
Auges, 3.5 mm hinter und etwas unter dem Mundwinkel 3, nicht am
Mundwinkel, wie bei den meisten Vesperugo-Arten; crus helicis
wulstig, crus anthelicis gut ausgebildet; Tragus mit verbreiterter
Basis, proximal mit Haaren bestanden, Innenrand ziemlich gerade,
Spitze etwas abgerundet, Aussenrand convex, in der Mitte etwas
verdickt, Zacken angedeutet, in der unteren Hälfte gerade.

K o p f platt, Augen klein, die Behaarung beginnt erst hinter einer

Querrinne, die die S c h n a u z e abgrenzt; diese schwach behaart,
breit (21 mm) und kurz (5 mm), vorn abgestutzt, an den
Nasenlöchern 4.5 mm breit, Drüsentheil gut entwickelt, L i p p e n
median glatt, lateral mit etwas papillösen Aussenrändern; die
zwischen den zwei unteren Praemolaren und dem Lippenrande
befindliche grosse Hautpapille hat hier den Lippenrand nicht nur
nach aussen gedrängt, sondern auch bewirkt, dass er an dieser
Stelle verschmälert und nach unten ausgerandet ist, so dass die
Papille von aussen sichtbar wird; Oberlippe die Unterlippe
überragend; N a s e n l ö c h e r sublateral nach aussen offen,
Ränder, besonders median gewulstet, Zwischenraum 1.5 mm breit,
nicht vertieft; Unterkiefer und Kinn ziemlich glatt, schwach behaart,
auf der Kehle eine runde Warze mit kurzen und einigen langen
Haaren, wie sie oft vorkommt.

B e z a h n u n g : i 1 sup. dreizackig, mit der innersten längsten Zacke

median sehr stark ausladend, die mittlere zurückstehend, kurz und
breit, die äusserste noch weiter zurück und klein, i 2 nur so lang wie
diese letztere, an der Spitze leicht eingekerbt, ebenfalls nach innen
gerichtet, und dicht an i 1 stehend, Diastema der zwei mittleren
Incisiven, an den Wurzeln gemessen, etwas über 1 mm; c sup. 2
mm lang, Diastema zwischen ihm und i 2 nur gering; p 1 sup. steht
dicht an c und ist halb so lang, p 2 ganz innenständig, sehr klein,
eben das Zahnfleisch überragend und nur bei genauester
Untersuchung kenntlich, von aussen ganz unsichtbar. Die sechs
unteren Incisiven in der Richtung des Kiefers stehend, dreilappig,
der zweite anscheinend der grösste (sie sind bei dem Exemplare
rechts und links nicht ganz gleich), der dritte dicht am Caninus,
dieser 1.5 mm lang, p 2 inf. dicht daran stehend und fast ⅔ so gross,
p 1 dicht an p 2 und fast eben so gross und so lang wie m 1.

P e n i s lang, ein Stützknochen in der Ruthenspitze, Praeputium

zweilappig und mit kurzen stacheligen Haaren besetzt.

Maasse:

Kopf 18 mm
Körper 41
,,
Ohr 14 ×
10 ,,
Vorderer Ohrrand 8.5
,,
Tragus (Länge von der tiefstenStelle der Basis bis zur 5×2
Spitze) ,,
Humerus 24
,,
Vorderarm 36
,,
Dig. 1 mit Kralle 6.3
,,
 2 (33.5 + 5.5) 39
,, ,,
3 (35 + 11.5 + 9 + 3) 58.5
,, ,,
4 (33 + 11 + 5) 49
,, ,,
5 (29 + 5.5 + 4.7) 39.2
,, ,,
Femur 12
,,
Unterschenkel 15.5
,,
Fuss mit Krallen 10
,,
Sporn c. 13
,,
Schwanz c. 37
,,
Penis 9
,,

Diese Art hat mit einer Reihe von Vesperugo-Arten gewisse

Ähnlichkeiten, so mit V. stenopterus Dobs. von Bórneo, oder auch
mit imbricatus Horsf. von Malakka, Sumátra, Java und Bórneo,
affinis Dobs. von Yunnan, indicus Dobs. von Vorderindien etc., aber
sie ist keiner bekannten zu subsummiren. [16]Das Gebiss, der tiefe
Ansatz des äusseren Ohrrandes, und die Combination aller ihrer
anderen Charaktere genügen, um sie leicht zu erkennen, ohne dass
es nöthig wäre, die Unterschiede von einer Reihe anderer Arten im
Einzelnen namhaft zu machen.
Sonst ist bis jetzt von Celébes an Vesperugo-Arten nur der von
Vorderindien bis zu den Philippinen, Neu Guinea und Australien weit
verbreitete V. abramus (Temm.) nachgewiesen. D o b s o n (Cat.
1878, 228) nennt ein von mir gesammeltes Exemplar im Britischen
Museum von Nord Celébes mit der Bemerkung, dass die Form und
die Stellung der oberen Incisiven ein wenig abweiche, und eins von
Süd Celébes; das Dresdner Museum besitzt ebenfalls je eins von
Nord und Süd Celébes (Amurang und Makassar).

[Inhalt]

20. Vespertilio muricola Hdgs.

11 Exemplare,
a–l. in Spiritus, 3 mares (36–37.5 mm), 7 fem.
(36–38), 1 fem. juv. (24); Kema (4. VIII 93), Tomohon (4.
IX 94) etc., Minahassa, Nord Celébes.
1 mas,
m. in Spiritus, Loka, Pik von Bonthain, c. 1200 m,
Süd Celébes, X 95 (33 mm). Dieses Exemplar ist klein,
aber adult.

D o b s o n (Cat. 1878, 288) giebt für den Vorderarm allgemein 31.75

mm (1.25 inch.) und (p. 317) 34.29 (1.35) an; J e n t i n k (Webers
Zool. Erg. I, 128 1890) für Exemplare von Java (mares) 33.5–35
mm, (fem.) 34–36.5, von Sumátra 36, von Flores 35; Dresdner
Exemplare messen: Bórneo 33.5, Ambon 37–38, was gut mit
D o b s o n s früherer Angabe (Cat. As. Chir. 1876, 135) Bórneo 34
mm (1.35 inch.), Ambon 38 (1.5) stimmt, seine Maasse variiren
überhaupt zwischen 30.5 und 38 mm (1.2 und 1.5 inch.). Es fragt
sich, ob nicht bei genauem Studium, wozu ein grosses Material von
überall her gehörte, Rassen unterschieden werden können.
D o b s o n (l. c. 136) hat sich hierüber zwar in negativem Sinn
ausgesprochen, allein sein Material genügte keineswegs, ein
endgültiges Urtheil zu gewinnen.

Die Art, die von Vorderindien bis zu den Molukken nachgewiesen ist,
wurde auch schon speciell von Nord Celébes registrirt (D o b s o n
Cat. 1878, 317 und J e n t i n k Cat. MPB. XII, 190 1888), während
der S a r a s i n sche Fundort von Süd Celébes neu ist. Dresden
besitzt sie auch von NW Neu Guinea (36 mm).

D o b s o n (Cat. 1878, 316 Anm.) sagte, dass ein Exemplar von

Sumátra im Leidener Museum in der Ohrform etwas abweiche, und
ich hebe daher hervor, dass die Celébes-Individuen in dieser
Beziehung unter einander differiren, und zwar speciell hinsichtlich
des äusseren oberen Ohrrandes, sowie des Tragus; auch die
Grösse des Hautläppchens am Sporne variirt. Nach D o b s o n
(Mon. As. Chir. 1876, 136) kann muricola von den verwandten Arten
auch durch den kleinen, aber deutlichen postcalcanealen Lappen
unterschieden werden, allein bei einigen der vorliegenden
Exemplare von Celébes fehlt er so gut wie ganz.

Von anderen Vespertilio-Arten hat D o b s o n (Cat. 1878, 292) noch

V. adversus Horsf. von Celébes aufgeführt, auch ist ein von mir im
Jahr 1871 gesammeltes Exemplar von Gorontalo im Berliner
Museum; J e n t i n k hatte die Art auch von der Minahassa genannt
(NLM. V, 175 1883), später aber als muricola aufgeführt (Cat. MPB.
XII, 191 1888). Ferner nennt J e n t i n k (l. c. p. 186 und Webers
Zool. Erg. I, 128 1891) von Celébes V. hasselti Temm.

1 Bezeichnungen nach H e n s e l . ↑
2 D o b s o n (Cat. 1878, 227) sagt von V. abramus, dass er relativ einen
grösseren Penis habe als alle anderen Fledermäuse, J e n t i n k (Webers Zool.
Erg. I, 128 1890) führt ein j u n g e s Exemplar von Sumatra auf (Vorderarm nur
14.5 mm), dessen Penis 4.5 mm lang ist. ↑
3 Diese Maasse stimmen nicht genau mit denen der Abbildung Tafel IV, Figur 3,
da diese perspectivisch gezeichnet ist. ↑
[Inhalt]
Emballonuridae
 Molossi

[Inhalt]

21. Nyctinomus sarasinorum n. sp.

Tafel IV Fig. 4–6, Tafel X Fig. 3, 4 und 28, und Tafel XI Fig. 2 und 2 a

N. brevipilosus, supra castaneus, subtus cinnamomeus; alis

fuscis; auriculis rotundatis, conjunctis; labris crassis, mediocriter
rugosis; alis medio tibiarum affixis; cauda ultra medium libera;
praemolari superiore unico, incisivis quatuor inferioribus anguste
insertis, mediis bifidis.
Long. tot. c. 100 mm, antibr. 40 mm. — Habitatio: Celébes.
fem.,a.in Spiritus, Batulappa, nördlich vom See von
Tempe, SW Central Celébes, VIII 95.

[17]

O b e r s e i t e kastanienbraun (Ridgw. IV, 9), sammetartig,

U n t e r s e i t e zimmetfarben (R. III, 20), die Haare mit helleren
Spitzen. F l u g h ä u t e bräunlich; dorsale Oberfläche:
Schulterflughaut spärlich mit kastanienbraunen Haaren besetzt,
Fingerflughaut mit ebensolchem Haarstreifen aussen am
Vorderarme, desgleichen ist die proximale Hälfte des Metacarpus
des 5. Fingers mit solchen Härchen besetzt, wie auch der
Aussenrand auf der Lendenflughaut und die proximale Hälfte der
Schenkelflughaut (alles dies jedoch deutlich nur am getrockneten
Exemplare sichtbar); ventrale Oberfläche so gut wie nackt, nur an
den Körperseiten setzt sich ein zimmetfarbener Haarsaum auf sie
fort. Die Lendenflughaut inserirt an der Mitte der Tibia, die
Schenkelflughaut am distalen Drittel des Sporns, sie ist, besonders
an der Unterseite, quer gefaltet. O h r e n median durch einen 4 mm
hohen, dorsal behaarten Hautwulst vereinigt; Innenrand des Ohres
stark convex, Spitze ganz abgerundet, Aussenrand oben ziemlich
gerade, unten convex, crus helicis lappig, breit, umgebogen, Tragus
sehr klein, oberer Rand convex, innerer concav, äusserer oben
convex, unten concav, mit einem Zacken; Antitragus etwas eckig,
durch einen tiefen Einschnitt hinten abgetrennt; Behaarung der
Ohrmuscheln schwach, dorsal fast nur an den proximalen Parthieen
behaart, ventral nackt bis auf einen kastanienbraunen Haarstreifen
an der dorsalen Fläche des crus helicis, von da quer nach oben und
hinten zur Ohrspitze ziehend. Die ganze Hautparthie hinter dem
Verbindungsbande der inneren Ohrränder (dorsale Fläche der
Ohrenbasis) bis zur Stirn so gut wie nackt, und zwar in einer
Ausdehnung von 6 mm von vorn nach hinten und von 11 mm in der
Quere, so dass die mediane, nach hinten offene, taschenförmige
Einsenkung offen liegt. S c h n a u z e mässig breit, stumpf, vorn
schräg nach hinten und unten abgeschnitten. Nasenlöcher mit
scharfem oberen Rande, der median nach vorn spitz
zusammenläuft, mit schwacher Einsenkung dazwischen. Die
borstigen Haare der Schnauze, besonders die ihrer Unterseite, an
der Spitze verbreitert 1. Oberlippe dick, vertical gerunzelt, aber nicht
so faltig wie bei N. plicatus (Buch, Ham.).

Bezahnung. Die beiden oberen Incisiven stehen etwas weiter

auseinander als bei N. plicatus (0.7 mm), es ist nur ein oberer
Praemolarzahn vorhanden, und er ist vom Caninus durch ein
Diastema getrennt, p 2 inf. ist nur ½–⅔ so gross wie p 1 inf., die zwei
mittleren unteren Incisiven sind zweilappig und stehen in der
Richtung des Kiefers, die zwei äusseren sind abgerundet und stehen
theilweise dahinter und quer.

Z i t z e n 5 mm unter der Achselhöhle.

Keine Kehlgrube (beim Weibchen!).

Maasse:

Kopf 25 mm
Körper 45
,,
Ohr 21 × 15
,,
Tragus (Länge von der Zacke an gemessen) 2 × 1.2
,,
Humerus 29
,,
Vorderarm 40
,,
Dig. 1 mit Kralle 8.5
,,
42
2 (40 + 2)
,, ,,
3 (39 + 18 + 15 + 7.5) 79.5
,, ,,
4 (37.5 + 14 + 10 + 1.7) 63.2
,, ,,
40.6
5 (23.5 + 11.5 + 4 + 1.6)
,, ,,
Femur 16
,,
Unterschenkel 14.5
,,
Fuss mit Krallen 13
,,
Sporn 8
 ,,
Schwanz (davon frei 23 mm) 34
,,

Auf Tafel IV Fig. 4 ist eine dorsale Ansicht des ganzen Thieres in
natürlicher, Fig. 5 die des Kopfes von der Seite in doppelter, Fig. 6
die des Tragus in vierfacher Grösse.

Nyctinomus sarasinorum schliesst sich zwar N. plicatus (Buch.

Ham.) an, allein ist doch wesentlich davon verschieden. Abgesehen
von den Dimensionen und der Färbung, in der Bezahnung, da
plicatus [18]2 obere Praemolaren hat, und die unteren Incisiven
anders gestellt und geformt sind, in dem Ansatze der
Lendenflughaut in der Mitte der Tibia, statt am unteren Ende wie bei
plicatus, in der Behaarung der Flügelhäute, die bei plicatus nackt
oder so gut wie nackt sind (wenigstens bei den mir vorliegenden
Exemplaren), in der partiellen Nacktheit der Kopfhaut, und in
Anderem.

Es könnte auffallend erscheinen, dass auf Celébes eine andere

Form des weit verbreiteten N. plicatus lebt, allein ich zweifle nicht,
dass bei näherem Eingehen auf ein genügend grosses Material von
vielen Fundorten verschiedene Rassen oder Subspecies
unterschieden werden können. D o b s o n (Cat. 1878, 425) gab die
Verbreitung von Vorderindien bis zu Bórneo und den Philippinen an,
P e t e r s & D o r i a (Ann. Mus. Gen. XVI, 35 1881) führten
Exemplare von Jobi, im Norden von Neu Guinea auf — es war dies
jedoch nicht der erste Molosside von Neu Guinea, wie diese Autoren
meinten, da schon N. australis (Gray) von Neu Guinea bekannt war
(Dobson Cat. 1878, 434) —, L e c h e (PZS. 1884, 51), solche von
Süd Australien und Nord Tasmanien, J e n t i n k endlich (Cat. MPB.
XII, 202 1888) ein junges von Timor. Mir liegen nur 3 Exemplare von
Jobi und je eines von Sumátra, Java und NW Australien vor, die von
Jobi und Australien sind dunkelbraun oben (R. III, 1), etwas heller
unten (R. III, 6), das von Sumátra ebenso, aber gesättigter, das von
Java wie die Jobi-Exemplare, unten jedoch mit weisslichen
Haarspitzen. B u c h a n a n (TLS. V, 161 1800) sagte von
Exemplaren von Bengalen: „The hair is mixed with a s h c o l o u r ,
and is paler below than on the back“; H o r s f i e l d (Zool. Res. Java
Nr. V 1824) von javanischen: „The body is d e e p b r o w n , inclining
to s o o t y b l a c k ; intense above, and grayish underneath“;
Te m m i n c k (Mon. Mam. I, 223 1827) von britischindischen: „Le
pelage est … d’un f a u v e c e n d r é “; C a n t o r (JASB. XV, 179
1846) von hinterindischen: „Back of a velvety s n u f f c o l o u r ,
becoming a shade lighter on the underparts“; B l y t h (l. c. XX, 517
1853) von britischindischen: „Nearly as d a r k - c o l o u r e d as the
Malayan race …, which, we think, differs not otherwise than in being
constantly of a much darker hue than the ordinary … plicatus of
India“; D o b s o n (Cat. 1878, 425) sagt ganz allgemein, was gewiss
nicht zutrifft: „Above b l a c k or s m o k e b l a c k , beneath
somewhat paler“; B l a n f o r d (Fauna Br. Ind. Mam. 1888–91) von
britischindischen Exemplaren: „Fur b r o w n i s h b l a c k to
g r e y i s h b r o w n above, sometimes the same but generally paler
below, basal portion of the hair lighter in colour“. Es liessen sich
diese Auszüge noch vermehren, ohne dass damit eine grössere
Übereinstimmung oder Klarheit erzielt würde, was den Gedanken
stützt, dass hier von verschiedenen Rassen die Rede ist, wie ja
B l y t h schon von einer constant dunkleren maleischen Rasse
sprach. Das Maass des Vorderarms giebt D o b s o n allgemein mit
49.5 mm (1.95 inch.) an, die mir vorliegenden Jobi-Exemplare
messen 45, das Exemplar von Java 46, das von Sumátra 42, das
von Australien 49 mm (gegen 40.5 bei N. sarasinorum von Celébes).

Interessante Mittheilungen über die massenhaften Flüge von N.

plicatus aus Höhlen in Barma machte kürzlich A. R. S. A n d e r s o n
in dem „Administration Report of the Marine Survey of India“ 1897/8
(nach einem Referat in Nat. Sc. XIV, 259 1899).

In Bezug auf die Bezahnung mit nur éinem oberen Praemolaren

gleicht N. sarasinorum den Arten der Untergattung Mormopterus
Ptrs. (PZS. 1865, 468) von Madagaskar, Südost Afrika etc., allein
sonst weicht er in den meisten in Frage kommenden Punkten von
ihnen ab. D o b s o n (Cat. 1878, 442) hat schon hervorgehoben,
dass man auf die Zahl der oberen Praemolaren hier keine
Untergattung gründen und N. norfolcensis (Gray) von der Norfolk
Insel und Australien [N. wilcoxi (Krefft)] mit 2 oberen Praemolaren
nicht von Mormopterus trennen könne (T h o m a s beschrieb Ann.
Mus. Gen. 1897, 609 N. loriae von S Neu-Guinea, der norfolcensis
nahe steht). Später hat P e t e r s selbst (Mb. Ak. Berl. 1881, 482)
das Fehlen von p 2 sup. als entscheidenden Charakter
zurückgezogen, aber zugleich Mormopterus zu einer Gattung
erhoben unter Namhaftmachung anderer Unterschiede und
Hinzuziehung einiger anderer Arten. Das Fehlen von p 2 sup. ist
eine Folge der Resorption des für ihn bestimmten Materiales seitens
der Nachbarzähne, c sup. und p 1 sup. (daher auch meist das
Diastema), ein Process, der sich bei manchen Arten einer Gattung
schon vollzogen hat, bei anderen noch nicht. Ein Vorstadium dazu ist
es, wenn p 2 sup. deciduös ist; D o b s o n (Cat. 1878, 431) erwähnt
dies bei N. mops (F. Cuv.) von Sumátra, und dasselbe kommt bei N.
plicatus vor, denn bei dem erwähnten Exemplare dieser Art von
Sumátra fehlt er. [19]

Anmerkung

Ich benutze diese Gelegenheit um eine Nyctinomus-Art von Neu

Guinea zu beschreiben:
Nyctinomus astrolabiensis n. sp.

Tafel X Fig. 19 und 30, und Tafel XI Fig. 6.

N. brevipilosus, brunneus (supra: Ridgway III, 11; subtus: III, 15;

alis: III, 18, obscure); capite depresso, rostro lato, labris
mediocriter rugosis; auriculis sejunctis, subtriangularibus,
margine anteriore recto, trago parvo, subquadrato, basi dilatato;
alis medio tibiarum affixis; caudae parte dimidia minore libera;
praemolari superiore secundo brevissimo, incisivis quatuor
inferioribus anguste insertis, bifidis.
Long. tot. c. 100 mm, antebr. 36 mm.
Habitatio: Sinus Astrolabiensis, Nova Guinea.
mas,a. in Spiritus, Bongu, Astrolabebai, Deutsch Neu
Guinea.

O b e r s e i t e proutbraun (R.), sammetartig, U n t e r s e i t e

broccolibraun (R.). F l u g h ä u t e bräunlich, nackt, auf der dorsalen
Oberfläche greifen die Haare nur an den Körperseiten über, auf der
ventralen ist ein Dreieck von der Mitte des Humerus bis zum Knie
behaart, in der Farbe ähnlich wie die Körperhaare der Unterseite,
auch greifen die Haare etwas auf die ventrale Oberfläche der
Schenkelflughaut über; 15 mm des Schwanzes frei, 19 in der
Flughaut, aber in ihrer Unterseite. Die Lendenflughaut inserirt
ziemlich in der Mitte der Tibia, die Schenkelflughaut an der Basis des
Sporns, ihr hinterer Rand ist etwas convex. O h r e n auf der
Schnauze 3 mm auseinander, 8 mm von der Schnauzenspitze
entfernt, innerer Rand ziemlich gerade, nur median etwas
eingezogen, Spitze abgerundet, äusserer Rand convex, Antitragus
nur durch eine schwache Einsenkung abgesetzt, 3 mm vom
Mundwinkel endend, crus helicis leistenartig, Tragus klein, fast
quadratisch, oben etwas abgerundet und ziemlich stark verdickt, die
Basis verbreitert. Ohrmuschel innen fast nackt, aussen an der Basis
etwa bis zur Hälfte ihrer Länge behaart. K o p f abgeplattet, von der
breiten S c h n a u z e nicht abgesetzt, diese ad maximum 12 mm
breit, vorn abgerundet und schräg nach hinten und unten
abgeschnitten, Oberlippe schwach gerunzelt, Nasenlöcher nach vorn
und aussen geöffnet, mit mässig scharfem oberen Wulste, der
median nach vorn spitz zusammenläuft, mit einer medianen
Einkerbung nach hinten und einem erhabenen Fortsatze nach unten.
Die Oberseite der Schnauze etwas warzig mit einzelnen, in
Vertiefungen stehenden längeren Haaren, ein Kranz von an ihrer
Spitze verbreiterten Haaren umsäumt die Schnauze unten, und auch
an ihren Seiten stehen solche vereinzelt 2.

B e z a h n u n g . Die beiden oberen Incisiven 1 mm auseinander, p 2

sup. sehr klein und durch ein relativ grosses Diastema von c
getrennt, p 1 sup. fast halb so gross wie c sup., p 2 inf. dicht an c inf.
und fast halb so gross, p 1 inf. etwas grösser als p 2 inf. Die zwei
mittleren Incisiven sind zweilappig und stehen in der Richtung des
Kiefers, die zwei äusseren nicht ganz so ausgesprochen zweilappig
und etwas dahinter, sowie etwas quer stehend.

Keine Kehlgrube.

Maasse:

Kopf 25 mm
Körper 41
,,
Ohr 15 × 16
,,
Tragus 2 × 1.6
,,
Humerus 26
,,
 Vorderarm 36
,,
Dig. 1 mit Kralle 7
,,
2 33
,, ,,
3 (35 + 14 + 12.5 + 6) 67.5
,, ,,
54.5
4 (33 + 11 + 9 + 1.5)
,, ,,
35.5
5 (22 + 8 + 4 + 1.5)
,, ,,
Femur (?) 15
,,
Unterschenkel 13.5
,,
Fuss mit Krallen 9
,,
Sporn 11
,,
Schwanz (davon frei 15) 34
,,

H e l l e r (Abh. Ber. 1896/7 Nr. 8 p. 4) hatte das Exemplar für

Mormopterus beccarii Ptrs. (von Bongu) angesehen, der s. Z. von
Salawati beschrieben wurde (Mb. Ak. Berl. 1881, 484). N.
astrolabiensis steht keiner bekannten Art so nahe, dass eine
Differentialdiagnose zu geben wäre, gehört aber in D o b s o n s
Gruppe b (Cat. 1878, 421 und 422), der sich die Arten der
P e t e r s schen Gattung Mormopterus (Mb. 1881, 482) anschliessen.
[20]