[发明专利]一种基于多网络融合和多层网络扩散的抑郁障碍基因特征挖掘方法

权利要求书

1.一种基于多网络融合和多层网络扩散的抑郁障碍基因特征挖掘方法，其特征在于，该基因特征挖掘方法包括以下步骤：

步骤1：将多种类型的生物数据建模转换成基因关联网络：计算人类基因表达谱的皮尔逊系数，获取每个基因最相似的k个邻居，构建稀疏化的k近邻基因共表达网络；通过疾病相似性网络和疾病基因关联，计算基因语义相似性网络；

步骤2：将所述基因关联网络中的k近邻基因共表达网络、基因语义相似性网络和多类型的蛋白质物理相互作用网络中对应相同基因的节点相互连接，构建多层基因网络的邻接矩阵，实现多网络融合；通过多层基因网络的邻接矩阵的列归一化，计算多层基因网络的扩散矩阵；

步骤3：依据抑郁障碍基因驱动的多层基因网络扩散动力学方程，将抑郁障碍的已知致病基因作为扩散源，激发抑郁障碍基因驱动的多层基因网络扩散动力学过程，计算多层基因网络中每个节点的状态在扩散过程中的扩散特征；

步骤4：通过计算多层基因网络中对应相同基因的网络节点的所述扩散特征的几何均值，获得综合的抑郁障碍基因特征；依据综合的抑郁障碍基因特征优选出抑郁障碍相关基因。

2.根据权利要求1所述的基于多网络融合和多层网络扩散的抑郁障碍基因特征挖掘方法，其特征在于，步骤1中具体包括：

步骤1.1：获取抑郁障碍及各种相关疾病已知的致病基因数据、疾病表型关联注释数据、人类表型本体数据以及基因表达数据；将多种类型的数据转换成基因关联网络，包括基因共表达网络和基于疾病基因关联的基因语义相似性网络；

基因关联网络的计算方法如下：为将基因表达谱数据应用到基因特征挖掘中，计算人类基因表达谱基因之间的皮尔逊系数其中表示基因表达矩阵X的第i行的均值，X_ip表示基因表达矩阵X第i行第p列的元素值，获取每个基因最相似的k个邻居，构建稀疏化的k近邻基因共表达网络及共表达矩阵；为将疾病语义数据应用到基因特征挖掘中，通过疾病相似性网络和疾病基因关联，计算基因语义相似性网络，计算方法为：

其中d_1i表示与基因g₁关联的疾病，d_2j表示与基因g₂关联的疾病；n表示与基因g₁关联的疾病数量；m表示与基因g₂关联的疾病数量；Sim(d_1i，d_2j)表示疾病d_1i和疾病d_2j之间的相似性或者关联。

3.根据权利要求2所述的基于多网络融合和多层网络扩散的抑郁障碍基因特征挖掘方法，其特征在于，所述步骤1.1后还包括步骤1.2：获取多类型的蛋白质物理相互作用网络，所述蛋白质物理相互作用网络包括调控网络、代谢网络、信号传导网络、蛋白质复合物网络、蛋白质激酶网络、高通量二元相互作用网络、文献验证的蛋白质相互作用网络的一种或者多种。

4.根据权利要求1或2所述的基于多网络融合和多层网络扩散的抑郁障碍基因特征挖掘方法，其特征在于，步骤2中具体包括：

步骤2.1：为实现多网络融合，将M个基因网络中对应相同基因的节点相互连接起来，构建多层基因网络的邻接矩阵，其邻接矩阵表示为A＝A_intra+A_inter∈R^NM×NM，A_intra表示独立网络层的超矩阵，A_inter表示层间网络超矩阵，N表示各网络层中的基因数目；独立网络层的超矩阵定义为，

其中A^(α)表示α网络层的邻接矩阵；层间网络超矩阵定义为，

其中A^L∈R^M×M表示网络层连接矩阵，I∈R^N×N为单位矩阵，表示克罗内克积；

步骤2.2：通过对多层基因网络的邻接矩阵的列归一化，计算多层基因网络的扩散矩阵，扩散矩阵的每个元素值的计算方法为：W_ij＝A_ij/∑_iA_ij；其中，A_ij为矩阵A的元素值。