乳腺癌基因药物网络模型的构建与分析

目的构建乳腺癌基因药物网络模型,提取并预测乳腺癌相关基因药物间的关联。方法基于"ABC理论"和关联规则,提出一种生物实体间关联算法,以乳腺癌为例,提取乳腺癌相关基因与基因、药物与药物、基因与药物3种不同层次的关联,采用R语言实现网络模型的可视化,最后利用ROC曲线验证算法可靠性。结果得到乳腺癌相关基因185种,98种不同关联;乳腺癌相关药物97种,170种不同关联;乳腺癌相关基因与药物网络中含有127种基因和77种药物,共384种不同关联。结论乳腺癌的基因药物之间存在大量不同强度的关联,并且发现一些具有高度关联但尚未验证的生物实体对,为乳腺癌个性化诊治提供了新的研究思路。

基于多特征融合的线性内核SVM法挖掘生物实体关联

提高挖掘生物医学文献中的实体关联算法的性能,对开拓研究新思路有重要启示作用。提出一种改进特征的新线性内核SVM关联挖掘方法,以糖尿病相关文献摘要为研究内容,总结归纳出5种实体关联挖掘特征:实体特征、实体对特征、依赖图特征、解析树特征和名词短语约束特征,其中实体对和名词短语约束是所提出的新特征,并使用Huber损失函数作为SVM分类器的线性内核进行计算,挖掘预测疾病、基因和药物实体之间的关联。计算得到10种糖尿病相关病症和23种基因有173种关联,13种糖尿病相关病症和26种药物存在79种关联,18种基因与17种药物组成了159种关联,构建出疾病-基因、疾病-药物、基因-药物和8种糖尿病相关疾病基因药物的关联网络,共计619种实体关联,同时预测出27种新实体关联对,最后使用ROC曲线验证3种关联(0.804、0.847和0.742)。结果表明,所提出算法与Co Pub(0.710)、Pub Gene(0.609)、FBK-irst(0.547,0.800)和WBI(0.510,0.759)所用算法相比,最高精确度提升超过约5%(0.847与0.800),最低提升超过约20%(0.742与0.510),性能更优,为下一步在生物医学大数据中的应用打下良好基础。

基于数据立方体挖掘疾病–基因–药物新关联

【目的】在海量文献中,挖掘并预测生物医学实体之间的新关联,构建关联网络。【方法】提出一种基于数据立方体的新方法挖掘疾病–基因–药物间关联,以糖尿病为例,构建关联网络,并使用关联规则量化实体关联程度。【结果】由糖尿病相关疾病(14种)、基因(23种)和药物(24种)构建三个1-D方体、三个2-D方体及其关联网络和一个3-D方体关联网络,共计存在411种关联,同时得到8个关联子网。【局限】数据预处理存在主观性,可能会对挖掘结果产生影响。【结论】算法性能优于其他同类算法,能够为糖尿病精准医疗提供更好的新研究思路。