基于组学数据的生物学模块识别方法研究进展

组学数据在分子层面上加深了研究者对表型相似疾病的辨别能力及对认识不足疾病的理解,对组学数据的分析能够在疾病的诊断与治疗中发挥至关重要的作用。组学分子间存在复杂的调控关系,过去的研究表明细胞的功能是模块化的^([1]),在疾病的实际进展中,关键的调控网络出现异常往往表现为网络中所有分子表达水平都发生变化^([2]),因此表达模式相似的分子很可能存在共调控或功能相关的情况^([3])。

基于网络解卷积和网络沉默算法的高维数据网络优化策略与比较

目的根据组学数据构建网络存在间接边的问题,对此可通过适当的算法进行优化。本文使用DREAM5平台的网络数据,对网络解卷积方法(ND)和网络沉默(Silencing)两种网络优化算法的效果进行比较,提供合适的网络构建策略。方法分别使用7种方法构建网络,然后使用ND和Silencing算法对网络优化,再通过ROC-PR曲线的评分对其效果进行比较,最后用网络结构分析方法评价去除间接效应的能力。结果两种方法对大多数网络都有较好的优化能力,能够很好地去除间接效应;相对而言,ND方法略优于Silencing方法。结论使用RF+ND和CLR+Silencing方法构建网络是两种较好的网络构建策略。

图卷积神经网络在组学数据分类预测中的应用

目的探讨图卷积神经网络(graph convolutional neural network,GCNN)利用PPI网络对组学数据的分类预测效能。方法通过模拟实验和实例研究,对GCNN、随机森林、支持向量机和多层感知机共四种方法的分类效果进行比较。结果模拟实验结果显示,即便在样本量和网络中节点数量较少时,GCNN的分类效能也明显优于其他三种方法,并且随着节点数量的增加而不断提高。实例研究表明,利用STRING网络,GCNN的分类效能最优。结论GCNN在组学数据的研究中极具潜力,值得进一步研究。

融合生物学通路的变分自编码器在肺癌蛋白与代谢组学数据中的应用研究

目的本研究提出了融合生物学通路的变分自编码器(variational auto encoder,VAE),对蛋白质与代谢组学数据进行整合分析,并应用于肺腺癌患者探索可能的病理机制。方法为VAE的隐变量层节点赋予通路的实际意义,解码器按通路包含的生物学分子信息构建稀疏神经网络,使通路节点只与自身包含的分子连接,将隐变量作为提取的高级特征。对隐变量进行Kmeans聚类分析并使用调整兰德系数评估效果,引入基因差异表达分析方法limma探索差异表达通路,在北京大学人民医院胸外科肺腺癌患者的蛋白质与代谢组学数据中进行实例分析。结果融合生物学通路的VAE提取的高级特征不仅将聚类准确度提高了38%,还通过差异表达分析鉴别出了实性与亚实性结节肺腺癌间的差异通路。结论融合生物学通路的VAE可用于组学数据整合分析,其提取的高级特征具有通路表达活性的实际生物学意义。