通过多网络拓语义提取和图形卷积网络识别脑疾病的基因生物标志物
Ping Zhang1,2, Weihan Zhang3, Weicheng Sun2
1College of Information Science and Engineering, Zaozhuang University, Zaozhuang, 277100, Shandong, China.
BMC genomics
|February 13, 2024
概括
这项研究介绍了M-GBBD,这是一种通过整合多omics数据来识别脑疾病中的基因生物标志物的新框架. 它成功地将CAMP识别为潜在的阿尔茨海默病基因.
科学领域:
- 神经科学是一个神经科学.
- 遗传学 是一个遗传学.
- 生物信息学是一种生物信息学.
背景情况:
- 大脑疾病是一个主要的健康问题.
- 识别基因生物标志物对于理解和治疗这些疾病至关重要.
- 当前基于网络的方法在捕捉复杂的大脑网络语义方面面临挑战.
研究的目的:
- 开发一个多网络的代表性学习框架,用于识别脑疾病中的基因生物标志物.
- 克服现有方法的局限性,从复杂的大脑网络中提取拓语义.
主要方法:
- 收集了多omics数据来构建11个不同的网络.
- 开发了M-GBBD框架来提取空间特征和使用Kullback-Leibler分歧的融合网络.
- 在融合网络和疾病近距离网络上采用图形卷积技术,用于基因疾病关联预测.
主要成果:
- 与几种基线方法相比,M-GBBD显示出更高的性能.
- 该框架成功地将CAMP确定为与阿尔茨海默氏症相关的显著基因.
- 生物信息分析验证了已识别的基因关联.
结论:
- M-GBBD为识别脑疾病中的基因生物标志物提供了有价值的见解.
- 该框架显示了作为一种强大的大脑网络表示学习方法的承诺.
- 这种方法有助于更深入地了解大脑疾病的遗传基础.
