基于融合相似性和三部图的circRNA与疾病关联预测

传统的生物医学实验方法验证circRNA与疾病之间的关系存在耗时、耗力且成本过高的问题,为此提出基于三部图融合相似性的circRNA与疾病关联预测研究的模型(FSTPGCDA). FSTPGCDA引入circRNA-disease关联信息、circRNA-gene关联信息、circRNA序列信息和疾病语义信息.进行拉普拉斯特征映射和Jaccard指标的融合相似性计算得到相似性矩阵,将不同相似性算法得到的相似性矩阵加权融合得到融合相似性矩阵.利用circRNA-disease关联矩阵和circRNA-gene关联矩阵构建gene-circRNA-disease三部图.通过融合相似性方法为三部图分配初始资源,使用贪心算法进行资源分配.实例验证表明,FSTPGCDA的预测性能和鲁棒性较好.

基于全局图注意力元路径异构网络的药物-疾病关联预测

提出了一个基于全局图注意力元路径异构网络模型(MHNGA)来进行药物-疾病关联预测。首先,收集整理药物和疾病数据,将已知的药物-疾病关联、药物相似性、疾病相似性构建为一个异构网络;其次,引入多个基于元路径的子图,使用图注意力神经网络提取这些子图的邻居节点的特征,并且通过通道注意力和空间注意力机制来增强特征;最后,通过十折交叉验证的评估,MHNGA取得了93.5%的精确召回曲线下的面积和99.4%的准确率。

重庆地区近10年住宅环境因素与儿童过敏性疾病的关联变化

基于2010年和2019年重庆地区住宅环境与儿童健康重复大样本横断面调研数据,采用二元logistic回归对比分析了10年前后住宅环境因素与儿童过敏性疾病的关联变化。结果显示:与10年前相比,很多与儿童过敏性疾病显著相关的因素在10年后并未呈现显著性,如住宅位置、住宅建筑类型、住宅建筑面积、怀孕期间重新装修、卫生间安装有机械通风设备;部分对儿童过敏性疾病无显著影响的因素在10年后调研中显著增加了儿童过敏性疾病患病风险,如室内购置新家具、住宅周边环境为工业区、儿童卧室墙壁材料使用乳胶漆(与石灰、水泥相比);10年后住宅周边环境为商业区不再显著增加儿童成长期患过敏性鼻炎和现患鼻炎症状的风险,但会显著增加儿童成长期患湿疹的风险,而夜晚降低儿童卧室通风频率降低了儿童患过敏性疾病的风险。研究结果可为认识住宅环境变化对儿童过敏性疾病影响的关联关系及改善儿童住宅居住环境提供一定的指导和参考。

结合图自动编码器和结构化注意力机制的miRNA-疾病关联预测方法

MicroRNA(miRNA)-疾病关联预测的研究有助于人类进行疾病预防、诊断和治疗等,许多研究人员开发出了基于图自动编码器的miRNA-疾病关联预测方法,然而大多数编码器方法在对中心节点编码的时候并没有考虑到邻居节点之间的差异。因此,本文提出一种结合图自动编码器和结构化注意力机制的miRNA-疾病关联预测方法(SAAE)。SAAE模型使用基于图神经网络的编码器,该编码器采用多个编码层堆叠的方式以探索多阶邻居的信息。为了将中心节点与邻居节点不同权重的特征信息进行融合并捕获节点在图中的高阶结构信息,引进结构化注意力机制对图节点的原始信息进行编码,以生成新的特征信息。随后,通过解码器进行解码,解码后的特征信息使用随机森林算法挖掘miRNA和疾病节点之间的潜在联系。实验结果表明,SAAE在5倍交叉验证的曲线下的平均面积为94.53%。此外,本文还进行了关于肾脏肿瘤和肺部肿瘤的2个案例研究,验证了SAAE预测的有效性。

基于疾病网络的血友病并发症挖掘与关联规则分析

目的 基于疾病网络探讨血友病并发症的一般性规律,预测血友病患者可能发生的并发症。方法 从PubMed数据库中检索血友病相关文献,通过MetaMap工具从文献标题、摘要文本中抽取疾病实体,基于疾病对的共现关系构建疾病网络,分析疾病网络的整体特征、节点特征及结构特征等。对疾病实体网络进行关联分析,挖掘其关联规则,分析血友病并发症的一般性规律。采用链路预测算法预测血友病的潜在并发症。结果 血友病及其并发症构成的关联网络在网络结构上满足小世界网络特征和分布均匀的凝聚子群特征。凝聚子群分析结果显示,血友病并发症可分为遗传性疾病、血液系统疾病、传染性疾病和慢性疾病共4大类。关联规则分析发现133条置信度≥0.8的规则,链路预测进一步得到了许多有据可查的疾病对。结论 基于疾病网络进行血友病并发症关联分析和链路预测,可实现对血友病潜在并发症的有效预测,为血友病的临床诊疗提供决策支持。

非酒精性脂肪性肝病、代谢相关脂肪性肝病与心血管疾病关联的国内外研究进展

非酒精性脂肪性肝病(NAFLD)是目前全球最常见的慢性肝病,近年来大量研究证明其与代谢障碍密切相关,专家小组提出将其更名为代谢相关脂肪性肝病(MAFLD)。NAFLD/MAFLD不仅可能导致肝脏相关疾病的发病率和死亡率增加,也与心血管疾病的发病和死亡相关。本文对NAFLD/MAFLD的诊断标准进行比较,并总结了NAFLD/MAFLD与心血管疾病的关联性研究进展。结果表明,NAFLD/MAFLD与心血管疾病发病率增加均存在显著相关性,是心血管疾病的影响因素,且MAFLD患者心血管疾病发病风险高于NAFLD患者。本文为临床医生提供了对NAFLD/MAFLD患者进行心血管疾病风险评估和管理的依据,提示临床医生在处理NAFLD/MAFLD患者时,除了关注肝脏疾病的治疗外,还应重视患心血管疾病的风险。

基于隐结构模型结合关联规则探讨冠脉微血管疾病中医“症-证-药”规律

目的系统挖掘冠状动脉微血管疾病(Coronary microvascular disease,CMVD)中医常见症状、证候要素、临床辨证分型及用药规律,为量化CMVD临床辨证标准、规范中医临床证候诊断及疗效评价、指导临床用药提供参考依据。方法分别检索中国知网(CNKI)、万方数据库(Wanfang)、维普中文期刊(VIP)、中国生物医学文献服务系统(SinoMed)自建库至2023年5月16日有关中医药治疗CMVD的相关文献。提取纳入文献相关信息建立数据库并对症状、证素、证型、中药进行频数统计,分别采用Latern 5.0与Rstudio软件构建隐结构模型进行综合聚类与关联规则分析,探讨中医药治疗CMVD的症状特点、证素分布、常见证型及用药规律。结果共纳入107篇文献,涉及证型36个,证素17个,症状121个,中药143种,推测出CMVD的主要证候要素为血瘀,其次为气虚、气滞、痰浊、阴虚和阳虚;主要证型为气虚血瘀证,其次为心血瘀阻证、气滞血瘀证、痰瘀互结证、气阴两虚证等;用药以川芎、丹参、当归、黄芪为主;按功效分类主要为活血化瘀药、补虚药、理气药。结论CMVD病位在心,与肝、肾相关,属本虚标实之证,血瘀贯穿本病发展的始终;治疗以活血化瘀、通络止痛为主,并结合辨证选用补中益气、疏肝理气、祛痰散结等治法。

MGSGCN:基于多图结构和注意力机制的图卷积网络预测lncRNA-疾病关联

研究表明长非编码RNA (long non-coding RNA, lncRNA)在许多生物的生命活动中发挥着重要作用。识别潜在的lncRNA-疾病关联(lncRNA-disease associations, LDAs)有助于研究疾病的发病机制,及时地诊断、预防和治疗疾病。本文提出了一种基于多图结构和注意力机制的图卷积网络模型预测LDAs,简称MGSGCN。该模型综合了疾病语义相似性、lncRNA功能相似性、疾病与lncRNA高斯相互作用谱核相似性和余弦相似性,构建了疾病和lncRNA的特征向量。基于图卷积网络(graph conventional network, GCN)和图注意力网络(graph attention network, GAT),使用了提取封闭子图和交互信息传播的多图结构策略来训练和预测LDAs。MGSGCN在Dataset1和Dataset2上的五折交叉验证(five-fold cross validation, 5-CV)的准确率分别为94.55%和87.44%。将MGSGCN与其它四个前人研究的计算模型进行比较,评价指标结果凸显了MGSGCN具有良好的分类性能。此外,对与子宫颈癌相关的lncRNA进行了案例分析。发现MGSGCN预测出了未被实验证实的LDAs,这说明该模型具有预测新的LDAs的能力。

基于图神经网络和随机森林的CircRNA-疾病预测

环状RNA(CircRNA)广泛参与人类疾病的进程,其突变和失调与许多人类疾病密切相关.因此,建立一个高效准确的CircRNA与疾病之间的预测算法对于提前对疾病的发生做出预防以及发病后的治疗方案具有重要意义.提出了一种新的基于图神经网络和随机森林的算法预测CircRNA-疾病关联算法,在分层网络表示嵌入部分通过构建异构网络,根据网络图的邻近性,对网络图的节点和边缘进行分层,递归地合并原始图中的节点和边,得到若干具有相似特征的较小子网络.子网络规模随着分层的深入而递减,直至得到最小子网络后,使用node2vec网络图游走算法对其进行预处理,然后将全部节点的特征向量输入至随机森林分类器来识别潜在的CircRNA-疾病关联,从而进行预测.

饮食习惯与心血管疾病的关联性研究

本文通过理论基础和实证研究对不同饮食习惯对心血管健康的影响进行分析;同时对膳食中的膳食纤维和抗氧化剂进行评价。研究结果表明,健康饮食习惯对心血管疾病的预防起着举足轻重的作用。该研究为心血管疾病的风险评估与预防以及公众健康政策的制定与推广提供了重要的参考依据,为进一步探索饮食习惯与心血管疾病关系的深层次机理以及针对不同人群的个性化预防策略的开展提供了理论支持与实验基础,对今后的研究提出了有益的探索与建议。

基于多特征融合的药物疾病关联预测模型构建

构建基于药物多特征融合的药物疾病关联预测模型,为药物知识发现提供新思路。借助药物的化学结构、药物-副作用关联、药物-靶标关联的3个特征,构建融合的药物综合相似度及基于MeSH的疾病语义相似度特征表示方法。利用图卷积神经网络模型抽取药物-疾病图数据特征信息,构建基于多特征融合的药物疾病关联预测模型(MFFGCN),进而实现未知的药物疾病关联发现。利用269种药物、598种疾病及其之间的18416种关联关系,对药物疾病存在的未知关联进行预测,借助AUC、AUPR、准确率、灵敏度、召回率、F1等多个评价指标进行评价。结果表明,多特征融合的药物疾病关联预测方法的AUC指标为0.8662,较单一特征的平均预测指标最大相对提升为2.48%,较4种代表性基线方法的指标最大相对提升为1.67%;AUPR指标为0.3412,较单一特征预测结果最大相对提升为1.67%,较4种代表性基线方法提升27.49%。对预测结果中药物-疾病预测关联得分中排名前10的组合及阿霉素为例的单一药物预测组合进行文献研究验证、临床治疗验证,同样证明MFFGCN在未知的药物疾病关联预测上表现良好,能有效地发现药物的新适应症,为药物重定位提供方法借鉴和理论依据。

宫颈鳞癌患者组织中ELF5、Ki67、P53表达特征及与疾病分期、预后的关联性研究

目的探讨宫颈鳞癌患者组织中ELF5、Ki67、P53表达特征及与疾病分期、预后的关联性。方法回顾性选取2019年5月—2021年9月新疆生产建设兵团医院宫颈鳞癌患者30例设为宫颈鳞癌组、低级别CIN患者20例设为低级别CIN组、高级别CIN患者20例设为高级别CIN组、慢性宫颈炎患者20例设为慢性宫颈炎组。采取免疫组织化学法测定各个组织内P53、Ki67、ELF5表达情况,统计以上4组宫颈组织中P53、Ki67、ELF5阳性表达情况,分析上述指标与宫颈鳞癌临床病理指标的关系,并比较不同预后的宫颈鳞癌患者P53、Ki67、ELF5阳性率。结果(1)宫颈鳞癌患者ELF5阳性表达率(33.33%)低于低级别CIN组(85.00%)、高级别CIN组(75.00%)、慢性宫颈炎组(90.00%),P53、Ki67阳性表达率(76.67%、83.33%)高于低级别CIN组(20.00%、25.00%)、高级别CIN组(45.00%、55.00%)、慢性宫颈炎组(5.00%、5.00%)(P<0.05);(2)不同FIGO分期宫颈鳞癌者P53、Ki67、ELF5阳性表达情况比较(P<0.05),且随着FIGO分期增高,ELF5阳性表达率持续降低,P53、Ki67阳性表达率持续增高(P<0.05);(3)P53、Ki67阳性表达率与宫颈鳞癌FIGO分期间存在显著正相关关系,ELF5阳性表达率与宫颈鳞癌FIGO分期间存在显著负相关关系(P<0.05);(4)预后不良者ELF5阳性表达率(10.53%)低于预后良好者(72.73%),P53、Ki67阳性表达率(94.74%、100.00%)高于预后良好者(45.45%、45.45%)(P<0.05)。结论宫颈鳞癌组织中P53、Ki67、ELF5表达情况异常增高,其增高幅度与疾病分期具有密切关联性,且不同预后情况者上述指标表达间存在显著差异,其可用于疾病预后的预测。

图自动编码器上二阶段融合实现的环状RNA-疾病关联预测

大部分现有的用于预测环状RNA(circRNA)与疾病之间关联关系的计算模型通常使用circRNA和疾病相关数据等生物学知识,配合已知的circRNA-疾病关联信息对来挖掘出潜在的关联信息。然而这些模型受已知关联构成的网络稀疏性、负样本过少等固有问题的影响,导致预测性能不佳。因此,在图自动编码器基础上引入归纳式矩阵补全及自注意力机制进行二阶段融合,以实现circRNA-疾病关联预测,由此构建的模型叫GIS-CDA(Graph auto-encoder combining Inductive matrix complementation and Self-attention mechanism for predicting Circ RNA-Disease Association)。首先,计算circRNA集成和疾病集成的相似性,并利用图自动编码器学习circRNA和疾病的潜在特征,以获得低维表征;接着,将学习到的特征输入归纳式矩阵补全,以提高节点之间的相似性和依赖性;然后,将circRNA特征矩阵和疾病特征矩阵整合为circRNA-疾病特征矩阵,以增强预测的稳定性和精确性;最后,引入自注意力机制,从特征矩阵中提取重要特征,并减少对其他生物信息的依赖。五折交叉和十折交叉验证的结果显示:GIS-CDA获得的平均接收者操作特征曲线下面积(AUROC)值分别为0.9303和0.9393,前者比基于KATZ测度的人类circRNA-疾病关联预测模型(KATZHCDA)、基于深度矩阵分解方法的circRNA-疾病关联(DMFCDA)预测模型、RWR(Random Walk with Restart)和基于加速归纳式矩阵补全的circRNA-疾病关联(SIMCCDA)预测模型分别高出了13.19、35.73、13.28和5.01个百分点;GIS-CDA的精确率-召回率曲线下面积(AUPR)值分别为0.2271和0.2340,前者比上述对比模型分别高出了21.72、22.43、21.96和13.86个百分点。此外,在circRNADisease、circ2Disease和circ R2Disease数据集上的消融实验和案例研究进一步验证了GIS-CDA在预测circRNA-疾病的潜在关联方面具有较好的性能。

基于结构化深度聚类网络的miRNA-疾病关联预测

提出一种结构化深度聚类网络模型来预测microRNA(miRNA)和疾病的关联。模型将miRNA和疾病的集成相似性投入自编码器,将自编码器的输出通过传递算子传递到图卷积层,利用双重监督机制对模型进行训练。5折交叉验证结果显示,该模型分别在HMDD v2.0和HMDD v3.0数据集上平均AUC(Area Under the Curve)值分别为93.23%和94.58%。

端粒长度与10种常见肌肉骨骼疾病的关系孟德尔随机化分析

背景:多项观察性研究表明,端粒长度与肌肉骨骼疾病之间存在潜在的关联,然而它们之间的潜在机制仍不清楚。目的:利用两样本孟德尔随机化分析来探索端粒长度与肌肉骨骼疾病之间的遗传因果关系。方法:从英国生物银行中获得端粒长度的全基因组关联研究汇总数据。从FinnGen财团中获得了关于10种常见肌肉骨骼疾病(骨坏死、骨髓炎、骨质疏松、类风湿关节炎、腰痛、椎管狭窄、痛风、肩周炎、强直性脊柱炎和下肢深静脉血栓)的全基因组关联研究汇总数据。使用逆方差加权、孟德尔随机化-Egger和加权中位数方法评估端粒长度与10种肌肉骨骼疾病的因果关系,逆方差加权作为主要的孟德尔随机化分析方法,并进行敏感性分析探讨结果稳健性。结果与结论:①逆方差加权法结果表明,遗传预测的端粒长度与类风湿关节炎(OR=0.78,95%CI:0.64-0.95,P=0.015)和骨坏死(OR=0.56,95%CI:0.36-0.90,P=0.016)风险之间存在负向因果关系,但未发现端粒长度与其他8种肌肉骨骼疾病之间存在因果关系(P均>0.05)。②敏感性分析结果表明因果关系稳健,孟德尔随机化-Egger截距分析未检测到潜在的水平多效性(P均>0.05)。③此项孟德尔随机化研究支持端粒长度对类风湿关节炎和骨坏死的保护作用的结论,然而,未来将需要更多的基础和临床研究来验证。

一种基于深度变分门神经网络的疾病小核糖核酸关联预测模型

小核糖核酸(miRNA)在基因表达和转录等过程中具有重要作用,与疾病的产生有着密切关联。对于疾病miRNA关联识别,生物鉴定方法代价高、耗时长和效率低。为快速自适应提取疾病和miRNA构成的异质网络信息,该文基于通道型注意力设计变分门图自编码器和门多层感知器,构建一种深度变分门神经网络模型(VGAEN)并用于疾病miRNA关联预测任务。该模型整合miRNA及疾病的多种相似度信息得到miRNA和疾病的整合相似性特征,然后基于多数据融合的整合相似性网络和疾病miRNA邻接信息,利用变分门图自编码器提取miRNA和疾病网络的拓扑信息和语义信息;其次基于疾病miRNA关联矩阵,利用非负矩阵分解提取miRNA和疾病的低维线性去噪特征;最后,利用门多层感知器融合miRNA和疾病特征,预测其关联关系。实验结果表明VGAE-N模型能更有效地预测疾病miRNA关联,可为生物实验提供可靠的技术支撑。

生物标志物智能识别关键技术:环状RNA与疾病关联预测研究综述

生物标志物识别是实现“精准医疗”的一大基础,其对复杂疾病诊断、判断疾病分期及评价新药或新疗法在目标人群中的安全性和有效性具有重要作用。作为生物标志物智能识别关键技术,环状RNA与疾病关联预测是深入评测和衡量被试个体生物学过程、病理学过程及干预病理学反应的关键,是践行“精准医疗”的有效手段和途径之一。文中对基于生物大数据挖掘的环状RNA-疾病关联预测计算模型进行了全面梳理和展望。具体地,首先从环状RNA的研究背景、理化特性、功能等方面探讨了环状RNA与疾病之间的关系;然后调研了环状RNA和疾病公共数据库资源;接着从智能计算的角度梳理了环状RNA-疾病关联预测的4类计算方法,并分析了其优势与不足;最后讨论了环状RNA-疾病关联预测问题目前面临的挑战和未来可能的研究方向。

基于图神经网络协同过滤的药物疾病关联预测

新药开发需要耗费很高的成本,建立高效且高准确度的药物新适应症预测方法非常重要,提出一种基于图神经网络协同过滤的药物疾病关联预测方法,获取药物与疾病治疗关系中的信息并结合药物相似性获得更好的预测表现。首先通过图神经网络提取药物-疾病治疗关系数据中的协作信号细化药物嵌入,然后利用嵌入计算药物之间的治疗关系相似性,再结合药物化学结构、蛋白质和副作用相似性预测药物的新作用。与现有的协同过滤方法在相同数据集上进行对比,本文方法获得了较高的预测精确率(0.664 8)。所提出的获取药物-疾病治疗关系中的潜在信息并结合相似性进行药物疾病关联预测的策略是有效的,有助于发现药物的新适应症,为药物开发提供帮助。

基于结构深度网络嵌入方法的微生物-疾病关联关系预测

了解微生物-疾病关联不仅可以揭示疾病的发病机理,而且可以促进疾病的诊断和预后。提出一种基于结构深度网络嵌入的方法(NEMDA)来识别潜在的微生物-疾病关联。首先,通过整合人类微生物-疾病关联数据库(human microbe-disease association database,HMDAD)和Disbiome数据库,扩大微生物和疾病的数量以及已知的微生物-疾病关联关系。接着,将结构深度网络嵌入用于提取微生物-疾病二分网络的特征,并且引入微生物功能相似性、微生物相互作用谱相似性和疾病语义相似性、基于症状的疾病相似性,分别作为微生物和疾病的生物学特征。然后,将这3个特征结合构成微生物-疾病对的特征,并使用深度神经网络模型进行预测。最后,通过五折交叉验证和案例分析来评估NEMDA的性能,在五折交叉验证下,NEMDA表现良好,预测性能高于KATZMDA、NCPHMDA、LRLSHMDA、PBHMDA、NTSHMDA和BRWMDA 6种比较方法。哮喘、炎症性肠病和结直肠癌的案例分析结果进一步表明,NEMDA预测性能良好,其是一个有效的预测微生物-疾病关联的工具。

基于融合神经网络的LncRNA与疾病关联预测方法

长链非编码RNA(Long non-coding RNA,LncRNA)的异常表达与疾病的生理和病理过程密切相关,识别LncRNA与疾病之间的潜在关联有助于理解疾病的分子发病机制。以往的方法未能深度整合异构的多源数据以及学习高维特征表示。为此,文中提出了一种基于融合神经网络(Fusion Neural Networks,FNN)预测候选疾病相关LncRNA的方法FNNLDA。FNNLDA整合与LncRNA、疾病和miRNAs相关的多种数据,采用多模型融合思想,利用栈式自编码器和融合神经网络两种深度学习模型分别学习LncRNA-疾病对的高级特征,最后融合两个模块的预测分值来预测LncRNA-疾病的关联性。五折交叉验证显示FNNLDA方法的AUC值比SIMCLDA,MFLDA,CNNLDA和LRLSLDA分别提升了12.5%,15.1%,3.4%和5.8%,表明其在LncRNA-疾病预测性能上有较大提升。基于胃癌疾病案例进行研究,结果证明FNNLDA能够有效识别与疾病关联的潜在LncRNA。