[发明专利]提升计算机辅助诊断系统候选疾病基因识别性能的方法

说明书

本发明涉及一种提升计算机辅助诊断系统候选疾病基因识别性能的方法，属于计算机辅助诊断应用技术领域。针对现有的计算机辅助诊断系统在候选疾病基因识别性能存在准确率不高、可靠性不足等技术问题，本发明在计算机辅助诊断系统中，首先构建多层和多层异构基因网络。然后，利用一种游走于多层和多层异构网络的拓扑偏置随机游走算法来识别疾病基因。系统通过调整游走中的偏置参数，该算法可以在不同相互作用数据源上探索不同层中蛋白质和基因间功能和物理相互作用,并可以在异构网络上执行,其中，步行者可以遍历具有不同类型的节点和边集的网络，从而有效提高系统针对候选疾病基因的识别性能，能够更准确地识别出候选疾病基因。

技术领域

本发明涉及一种提升计算机辅助诊断系统候选疾病基因识别性能的方法，属于计算机辅助诊断应用技术领域。

背景技术

近年来，利用计算机辅助诊断系统进行生物大分子间物理和功能相互作用的识别，已成为计算机辅助诊断生物网络疾病基因可靠识别工作中的一项重要任务，其识别结果有助于协助医生进一步确定疾病的发病机制，并为下一步制定治疗方案提供有力参考。

目前，对生物大分子之间物理和功能相互作用的识别，是研究者所筛选出的多种生物体中蛋白质-蛋白质间的相互作用(protein-protein interactions,PPIs)，可揭示数千种蛋白质之间功能或物理相互作用。这些生物相关的相互作用通常可以表示为其节点是蛋白质或基因，其边是物理或功能相互作用的生物网络。

近年来，越来越多的计算机辅助诊断系统通过运行有关算法来探索生物网络的重启随机游走(random walk with restart,RWR)，致力于获得与疾病基因关联的节点中心性排名，以识别出新的致病基因。

RWR(重启随机游走)算法，是目前在计算机辅助诊断系统中用来识别疾病关联基因中心性排名中的常用方法之一。它能够度量出种子节点和网络中所有其它节点之间的距离或接近度(即与种子节点关联的节点中心性)，通常被认为是用于生物计算的关联推断常用的方法。借助于RWR算法，所有的节点根据已知疾病相关联的种子节点的接近度进行中心性排名。各种扩展的RWR方法，旨在改善疾病关联的候选基因序列化预测准确性。然而，现有的这些RWR算法存在以下不足：

(1)现有的RWR方法，通常偏向高度连接的基因或蛋白质。在这种情况下，可能与已知疾病有关的不知名或连接度不高的蛋白质易被忽略或难以被检测。

(2)现有的RWR方法，常用在单个基因网络或一个由不同基因数据组成的聚合网络。由于单个或聚合数据源容易产生噪声、偏差和不完整性，因此，各种基因数据源同时考虑对疾病关联的候选基因可靠的中心性计算是高度需要的。

即便RWR已经被用于探索聚合了基因和表型数据的多图网络上，但是，它忽视了蛋白质间边的类型、每个网络的拓扑结构和网络间相互连接的重要信息。这些缺陷都制约了计算机辅助诊断系统的识别性能。

因此，对于计算机辅助诊断系统而言，如何控制随机游走的运动方向，如何整合多个数据源候选疾病基因的识别，进而提高系统的识别性能，是该领域一个亟待解决的技术问题。

发明内容

本发明的目的是为了克服现有技术存在的缺陷，针对现有的计算机辅助诊断系统在候选疾病基因识别性能存在准确率不高、可靠性不足等技术问题，创造性地提出一种新的提升计算机辅助诊断系统候选疾病基因识别性能的方法。

本发明的创新点在于：在计算机辅助诊断系统中，首先，构建多层和多层异构基因网络。然后，利用一种游走于多层和多层异构网络的拓扑偏置随机游走(topologicallybiased random walk with restart，BRWR)算法来识别疾病基因。系统通过调整游走中的偏置参数，BRWR可以在不同相互作用数据源上探索不同层中蛋白质和基因间功能和物理相互作用,并可以在异构网络上执行。其中，步行者可以遍历具有不同类型的节点和边集的网络，从而有效提高系统针对候选疾病基因的识别性能。

有益效果