基于直推式学习的视网膜致病基因预测模型

生物信息学的一个重要目的是帮助人类深入地认识疾病的过程、遗传特性和潜在的治疗方法。然而,发现致病基因往往是一项复杂而艰巨的工作,比如一些遗传性的眼部疾病。在综合了收集到的众多基因表达数据的基础上,提出一种双层的直推式机器学习(TTP)模型,用于发现潜在的视网膜致病基因。里层用于从多维的Human Body Map 2.0和眼部组织基因表达谱中分别获取贡献度;在外层学习中,里层获取的贡献度将和Crx和Ch IP-Seq数据一起学习得出致病基因的排序结果。实验结果表明,在致病基因预测上,直推式学习的准确度要优于传统的监督学习。另外,还发现一个有趣的现象,数据的集成并不是总能得到有利的结果。

基于双层生物分子网络的致病基因预测

基于“致病基因邻居倾向于引起相似疾病”和“必需基因和致病基因关联较少”的假设,融合蛋白质相互作用和代谢通路,构建双层生物分子网络,提出一种基于双层生物分子网络双流量网络传播的致病基因排序方法。为致病基因和必需基因分配正流量和负流量,挖掘与已知致病基因相似的潜在致病基因。实验结果表明,本方法与基于经典假设的单层网络方法相比,在富集分数1和富集分数2分别提高11.66和13.66。

基于双层生物模块网络的致病基因预测

为提高致病基因预测的准确性,提出了一种结合多种生物组合数据的生物分子网络构建方法。利用蛋白质相互作用网络、蛋白质复合物和代谢通路构建双层生物模块网络,并设计一种新型异构图神经网络。实验结果表明,与基于蛋白质相互作用组学数据构建生物分子网络的经典方法相比,本方法的AUC和F1分数提高了约1.5%和3.7%。

基于图数据增强的疾病与基因关联挖掘

针对现有关联数据不完整和利用多源组学数据不充分等问题,设计基于三跳局部拓扑相似性的计算指标,识别具有生物学意义但尚未映射的蛋白质相互作用(Protein-Protein Interactions,PPI),提出了一种基于图数据增强的新型图神经网络方法(GDaEPred)用于疾病与基因关联挖掘。实验结果表明,GDaEPred的平均精确率提升了4.1%,精确率、召回率和F1score也均有提升。

基于网络方法的疾病基因预测算法分析

目的分析基于各类生物网络的复杂疾病致病基因预测算法,总结其优势及不足之处,提出改进思路及未来的研究方向。方法深入分析当前基于网络的疾病基因预测算法原理,包括不同生物网络的构建、算法原理的基本假设、3个代表性算法及基于其发展出的最新方法。结果与结论分析发现当前算法存在的3个不足并指出解决此不足的2种思路。

基于HeteSim的疾病关联长非编码RNA预测

越来越多的研究表明,长非编码 RNA(long non-coding RNA, lncRNA)在许多生物过程中具有重要的功能,而这些长非编码 RNA 的变异或功能失调会导致一些复杂疾病的发生.通过生物信息学方法预测潜在的长非编码 RNA-疾病关联关系,对于致病机理的探索以及疾病诊断、治疗、预后和预防都具有重要的意义.基于疾病基因关联关系的异质信息网络,研究者使用了一种相关性计算法方法——HeteSim来计算疾病基因之间的相关性,进而预测致病基因.使用的方法基于路径约束,具有可扩展性,算法效率高,留一交叉验证实验表明该方法的预测结果优于其他方法.将其应用在卵巢癌和胃癌的预测分析中,相关文献表明,所提方法的预测结果已被生物实验等验证,再次表明该方法的有效性.