基于组织特异网络模型的致病基因预测算法研究

Disease gene prediction provides targets for the prevention,diagnosis and treatment of genetic diseases, and has become a fundamental challenge in the post-genomic era. Although many state of the art algorithms for the gene prediction problem have been proposed, these methods do not take into account the fact that the vast majority of genetic disorders tend to manifest only in a single or a few tissues. Large amount of data that are irrelative with the disease-associated tissue are included, which results in little even negative contribution. In this project, tussic-specific data are used to filtered out data irrelative with the disease-associated tissue, and phenotypic similarities are used to reflect the similarity between diseases and between genes.Tissue-specific networks are constructed based on the integration of molecular network, tussic-specific data and phenotype ontology. The quality and coverage of data can be improved. After analyzing the differences between tissue-specific networks and normal biological networks, effictive algorithms for disease gene prediction based on heterogeneous network mining will be proposed and implementated as software tools..

预测遗传疾病的致病基因为遗传疾病的预防、诊断与治疗提供了靶标，已成为后基因组时代人类健康研究的重要挑战。尽管目前的致病基因预测算法研究已取得了大量成果，但绝大多数已有算法并未考虑疾病通常只会影响一个或少数几个组织的事实，导致大量与疾病所影响的组织无关的数据被引入，对预测的贡献很低甚至会造成负面影响。本项目拟利用组织特异数据滤除与预测疾病组织无关的数据，同时利用表型相似性刻画疾病间及基因间表型层面的关联关系，通过在分子网络上集成疾病组织特异数据与表型本体数据构建组织特异网络，提高数据的准确性和覆盖率。通过分析组织特异网络与普通网络的差异，针对组织特异网络的拓扑特征，研究基于异质网络挖掘的有效致病基因预测算法，并将其实现为软件工具。

发现遗传疾病的致病基因是研究遗传疾病致病机理的核心问题。尽管生物网络已成为研究人类疾病的重要数据源，但绝大多数基于网络的致病基因预测算法并未考虑遗传疾病的组织特异性，研究较少的疾病的数据积累也并不充足。.本项目针对生物网络，研究在蛋白质相互作用网络、疾病网络上集成疾病组织特异性数据与表型信息，进行致病基因预测的方法。此外，还进行了长非编码RNA、药物与疾病的关联研究。.主要研究进展包括：.提出了在蛋白质相互作用网络和疾病网络上集成疾病组织特异性数据与表型信息的方法，并分析了不同数据源对疾病基因预测结果提升的贡献；提出人类调控网络中多样化控制路径模式，提出基于基因控制生物网络范围及基因间功能相似性进行疾病基因预测方法。.提出了集成人类和小鼠的组织特异蛋白质相互作用数据，构建跨物种组织特异网络的方法；对人与小鼠的长非编码RNA二级结构与功能关联进行研究，分析比较了长非编码RNA与mRNA在二级结构层面的多角度差异。.基于网络模块性，提出一种基于药物副作用和疾病临床症状预测药物-疾病相关性的方法；提出了一种基于模块距离预测疾病-药物相关性的方法。基于多源随机游走算法，提出一个新的框架对潜在治疗肝癌的药物进行预测。定义了用于刻画网络社团结构的2-club子结构，基于triad-rich子结构提出边Niche中心性，设计了用于社团结构检测的算法。.本项目取得的创新成果主要包括：.1. 已发表SCI检索论文9篇；.2. 荣获中国电子学会科学技术二等奖1项；.3. 国家发明专利授权1项、申请1项。