[发明专利]一种基于异质网的基因相似性搜索方法

说明书

本发明涉及一种基于异质网的基因相似性搜索算法，获取基因‑疾病‑表型关联信息、疾病本体信息、表型本体信息，建立基因‑疾病‑表型异质网、疾病和表型本体有向无环图。首先，分别基于疾病、表型本体有向无环图，计算疾病本体和表型本体的语义相似性；其次，分别基于基因‑疾病网络和疾病‑表型网络计算疾病、表型的拓扑相似性，并将语义相似性和拓扑相似性进行融合；然后，将疾病本体的相似性网络和表型本体的相似性网络通过构建邻接矩阵的方式融入基因‑疾病‑表型异质网中，利用二部图算法分别计算基因和疾病之间的关联程度、疾病和表型之间的关联程度；通过以上步骤构建一个蕴含丰富生物信息的加权异质网，在此基础上应用PathSim算法计算基因的相似性，提高基因相似性搜索算法的准确率。

技术领域

本发明属于推荐算法领域，具体涉及一种基于异质网的基因相似性搜索算法。

背景技术

随着基因测序技术的发展，基因数据呈现出迅猛增长的趋势。庞大的数据导致生物学家无法有效、准确地获得相似基因，因此通过生物信息学挖掘相似基因成为现今的研究热点。

近年来，基于异质网络结构研究基因相似性关联搜索算法已经成为生物信息学研究的热点，国内外学者在该领域做了大量的研究工作。由于元路径具有表达丰富语义信息的特点，所以基于元路径进行关联搜索已成为研究基因相似性的方法之一。典型的研究工作有侯泳旭、段磊基于PathSim算法提出了gSim-Miner相似性搜索算法，该算法充分考虑了在基因-疾病 -表型异质网中不同类型对象间的多种链接关系，解决了因为计算路径实例数而涉及大量连通性计算和因为候选基因为网络中的所有基因而导致的算法执行效率较低的两大问题。然而算法存在两个不足：一是对疾病、表型自身潜在的相似性挖掘不够充分；二是对非直接链接的关联程度考虑不够全面，因此导致异质网中链接稀疏，使基因相似性计算结果的准确率比较低。

发明内容

本文为解决gSim-Miner算法应用PathSim算法时因为在表达疾病、表型自身潜在的相似性不够全面以及链接的关联程度不准确而导致的准确率低的问题，提出了一种加权元路径基因相似性搜索算法gSim-Search。该算法利用二部图算法在基因-疾病-表型异质网中挖掘出更多潜在的链接关系，并合理地量化和表达链接的关联权重，从而提升了基因关联搜索的准确率。

本发明方法的主要思路是：将疾病本体和表型本体自身相似性融入基因-疾病-表型异质网中，并利用二部图算法合理量化链接权重，构建蕴含丰富生物信息的加权元路径异质网。在此基础上，利用PathSim算法思想将路径实例的链接权重考虑在内来计算基因的相似度，使得基因相似性搜索结果更加准确。

本发明的实现包含如下步骤：

(1)建立基因-疾病-表型异质网、疾病本体有向无环图、表型本体有向无环图、基因- 疾病二分网络(即基因疾病邻接矩阵S_gd)、疾病-表型二分网络(即疾病表型邻接矩阵S_dp)。

本步骤通过对获取到的基因-疾病-表型关联数据、疾病本体数据、表型本体数据进行整理和处理，构建本文研究所需要的基因-疾病-表型异质网、疾病本体有向无环图、表型本体有向无环图、基因-疾病二分网络和疾病-表型二分网络。

(2)计算疾病本体和表型本体的语义相似性矩阵

基于步骤(1)中构建的疾病本体和表型本体的有向无环图，利用一种基于边的方法计算疾病(表型)的语义相似性。一个疾病(表型)所包含的语义信息是由该疾病(表型)的祖先疾病 (表型)赋予的，所包含语义信息的详细程度则是由该疾病(表型)在有向无环图中的位置决定的。该方法能够有效地表达疾病、表型内部的语义相似性。

(3)计算疾病本体和表型本体的拓扑相似性矩阵