基于多信息融合的DGPMIF致病基因关联预测方法

摘要

为了解决利用单一生物数据无法揭示复杂的生物过程和疾病机制的问题，提出了一种多信息融合的DGPMIF致病基因预测方法。首先，构建一个具有疾病-表型、疾病-基因、蛋白质-蛋白质和基因-本体关联的异构网络，利用网络嵌入算法提取该异构网络中节点的低维向量表示，同时结合网络拓扑算法提取网络结构特征。其次，利用余弦相似性算法衡量节点向量的相似性，预测疾病与基因之间的关系。最后，通过对特定疾病的案例进行研究，并与经典致病基因预测方法进行对比，验证DGPMIF方法的有效性。结果表明：不同类型的关联数据对增强致病基因预测性能具有重要作用；经过多层次信息融合，提高了致病基因预测的预测性能。DGPMIF预测方法能够高效挖掘网络中蕴含的信息，对相关疾病基因关联的预测研究具有重要的参考价值。

关键词

人工智能其他学科 / 致病基因 / 异构网络 / 信息融合 / 网络嵌入 / 网络结构特征