生物医学实体关系的本体学驱动的关联规则挖掘:整合层次知识以改善基因疾病发现

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学
• 生物信息学是一种生物信息学.

背景情况:

• 基因与疾病的关联对生物医学研究至关重要.
• 现有的计算方法经常错过间接关系,因为它们没有有效地利用本体论.
• 浅浅的关联得分限制了生物医学知识发现的深度.

研究的目的:

• 为增强基因疾病关联挖矿开发一个本体学驱动的框架.
• 将基因本体学和疾病本体学中的等级知识整合到关联分析中.
• 提高基因疾病关系识别的准确性和深度.

主要方法:

• 一个文本挖掘管道处理了PubMed摘要,提取生物标志物相关术语的共同出现.
• 对比阿普里奥里,FP-Growth和Eclat算法用于关联规则挖掘.
• 开发了Athar语义丰富协会 (ASEA) 评分,将实体特定和层次本体学协会结合起来.
• 应用了基于等级的关系意识转换来使协会得分正常化.

主要成果:

• 增强的阿普里奥里变体与ASEA分数在捕捉直接和间接的基因疾病关联方面表现优于其他方法.
• 亚洲电信协会确定了17个高等级关联,比传统算法多得多.
• 该框架产生了185个关联,包括新和投机链接,其中有21个高度可信度和28个文献支持的发现.

结论:

• 拟议的框架为生物医学知识发现提供了一个透明和可扩展的管道.
• 整合统计协同发生与本体学驱动的丰富增强了已知知识的检索和可靠预测的生成.
• 这种方法通过揭示复杂的基因疾病关系来支持精准医学和假设生成.