[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

说明书

本发明公开了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，该挖掘方法主要包括以下步骤：一、构建多类型基因关联网络；二、构建标准化的多层基因网络；三、激发抑郁障碍基因驱动的多层基因网络散动力学过程；四、挖掘抑郁障碍基因驱动的多层基因网络扩散动力学特征。该挖掘方法能够有效融合不同类型的生物分子网络，并从各种多样化的生物分子网络中挖掘有效的疾病基因特征，从而更有效的识别抑郁障碍相关基因。

技术领域

本发明属于生物信息学分析领域，涉及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。

背景技术

抑郁症已成为当今社会的一种常见病，严重影响患者的生活质量，抑郁症与相关基因的功能失调密切相关，但全基因组关联研究等传统方法通常难以对抑郁症基因进行精确定位。由于生物医学实验成本高、时间周期长，因此通过开发计算方法挖掘抑郁障碍基因特征，从而识别抑郁障碍相关基因对于抑郁障碍的机制研究、预防、诊断和治疗都非常的重要。

随着蛋白质相互作用网络等生物分子网络数据快速累积，基于生物分子网络的基因特征挖掘算法成为遗传关联研究的前沿。相同疾病的致病基因，由于其功能上的相关性，在生物分子网络中趋向于聚集，因此基于网络传播的算法成为一种有效策略，例如，带重启的随机游走，异构网络随机游走，多重网络随机游走等；基于现代高通量实验技术的快速发展，各种不同类型的生物分子网络数据的快速增长，这些生物分子网络数据的有效利用将有助于更有效的挖掘抑郁障碍基因特征；传统的基于聚合网络随机游走的算法可以减少网络不完全性的影响，但它可能失去单个网络的结构特征；独立数据源的排位聚合方法利用了单个网络的特性，但忽略了不同类型网络/层之间的关系；多重图框架考虑了不同类型的网络，但网络层之间的相互作用太强烈。异构网络有助于整合多源异构关联数据，但如何从异构网络中提取有用信息来应对特定的疾病仍是一个挑战；因此，如何有效融合这些不同类型的生物分子网络，如何从这些多样化的生物分子网络中挖掘有效的抑郁障碍等疾病基因特征，从而更有效的识别抑郁障碍相关基因，仍是待研究的重要问题。

发明内容

(一)要解决的技术问题

基于此，本发明公开了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(后文简称为DDSM)，该方法能有效融合不同类型的生物分子网络，并从各种多样化的生物分子网络中挖掘有效的抑郁障碍基因特征，从而更有效的识别抑郁障碍相关基因，经过本发明实验可知，该方法的网络建模和动力学激发过程都是特别适合于抑郁障碍相关基因特征的挖掘。

(二)技术方案

本发明公开了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，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抑郁障碍相关基因。

进一步的，步骤1中具体包括：