【技术实现步骤摘要】
本专利技术涉及生物信息学分析，具体涉及一种基于异构网络脉冲动力学的疾病基因识别方法及其系统。
技术介绍
1、识别疾病相关基因(dags)对于癌症等复杂疾病的研究具有重要意义，因为疾病的发生发展与相关基因的突变或功能障碍密切相关。dags的知识不断发展，但由于生物实验的耗时久和成本高，其实际应用仍然十分有限，因此，人们运用了许多结合各种生物医学数据的计算方法来促进dags的研究。
2、基因及其产物通常在生物体中通过协同作用发挥生物学功能，形成复杂的生物分子网络，如蛋白质-蛋白质相互作用(ppi)网络。疾病的发病通常被认为是生物分子网络系统中局部异常的结果，而生物分子网络可以作为研究疾病的基本组织框架。此外，许多具有相似表型或症状的相关疾病往往在遗传水平上具有相关性。因此，基于生物分子网络的方法是推断dags及其相关问题的一种强大而简洁的策略。
3、网络传播可以从网络的角度成功地捕捉疾病发病的某些内在生物学特征和机制，这有助于探索生物分子与疾病之间未知的关联。因此，网络传播是研究最广泛的基于网络的方法之一，也是遗传关联研究最先进的代表。但是，传统的基于网络传播的方法通常只基于传播动力学的稳态解，这将导致网络传播的动态过程中一些潜在的有价值的信息被其忽略。
技术实现思路
1、有鉴于此，本专利技术提供了一种基于异构网络脉冲动力学的疾病基因识别方法及其系统，用以至少解决现有技术中如何有效整合并挖掘基因-基因关联、疾病-基因关联和疾病-疾病关联等多源异构网络，如何从异构
2、为了实现上述目的，本专利技术采用如下技术方案：
3、一种基于异构网络脉冲动力学的疾病基因识别方法，包括以下步骤：
4、s1.获取数据；分别获取基因-基因关联矩阵agg、疾病-疾病关联矩阵add和疾病-基因关联矩阵adg，来表征基因关联网络gga、疾病关联网络dda和疾病基因关联网络dga；
5、s2.构建增强型双层异质网络；通过dda网络和dga网络计算基因节点之间的功能相似性评分，通过gga网络与dga网络计算疾病节点之间的功能相似性评分，进而通过基因节点之间以及疾病节点之间的功能相似性评分来对gga网络和dda网络进行增强，将增强后的gga网络和增强后的dda网络均与dga网络相结合，构建包括疾病层和基因层的增强型双层异质网络，将增强型双层异质网络通过其相邻矩阵ah表示；
6、s3.构建异构网络动态脉冲模型；在增强型双层异质网络中，将待识别疾病节点和与其对应的已知的基因节点作为激发节点，在激发节点上施加脉冲信号，记录待预测节点随着脉冲信号的传播对脉冲信号所产生的动态响应，将其作为时间的函数进行跟踪得到异构网络动态脉冲模型；
7、s4.根据异构网络动态脉冲模型获取最大脉冲响应作为有效的脉冲动态特征识别疾病基因。
8、优选的，在s1中，其中元素值表示基因之间的关联强度；其中元素值表示疾病之间的关联强度，其中元素值表示疾病与基因之间是否存在关联，r为实数矩阵，ng为基因总数，nd为疾病总数。
9、优选的，s2中通过dda网络和dga网络计算基因节点之间的功能相似性评分，通过gga网络与dga网络计算疾病节点之间的功能相似性评分，进而通过基因节点之间以及疾病节点之间的功能相似性评分来对gga网络和dda网络进行增强的具体内容包括：
10、从dda网络与dga网络视角计算得到基因节点之间的功能相似性评分，构建得到功能相似性矩阵sgg，根据sgg与gga网络得到增强后的gga网络，表示为
11、从gga网络与dga网络视角计算得到疾病节点之间的功能相似性评分，构建得到功能相似性矩阵sdd，根据sdd与gga网络得到增强后的dda网络，表示为
12、优选的，构建增强型双层异质网络的具体内容包括：
13、功能相似性矩阵sgg中的元素值的计算方法为：
14、
15、其中，下标i和j分别表示两个基因节点在各自所属网络中的编号，i∈{1,2,3,…,ng}，j∈{1,2,3,…,ng}，ng表示基因节点的数量，(sgg)ij表示这基因i和基因j之间的功能相似性分值；下标h和k分别表示两个疾病节点在各自所属网络中的编号，h∈{1,2,3,…,nd}，k∈{1,2,3,…,nd}，nd表示疾病节点的数量，(add)hk表示疾病h和疾病k之间的原始相似性分值；(agd)jk表示基因i和疾病j之间的关联，若有已知的关联，其值等于1，否则等于0；
16、则增强的gga网络中的元素值为：
17、
18、功能相似性矩阵sdd中的元素值为：
19、
20、则增强的dda网络中的元素值为：
21、
22、基于增强的gga和增强的dda网络，通过整合和adg，构建增强型双层异质网络，相邻矩阵ah为：
23、
24、式中，r为实数矩阵，ng为基因总数，nd为疾病总数。
25、优选的，异构网络动态脉冲模型为：
26、根据经典动力学模型，增强型双层异质网络的动力学方程写为：
27、
28、式中，xit为t时刻第i个基因节点在基因层中的状态；yht表示t时刻第h个疾病节点在疾病层中的状态；km表示层间和层内扩散贡献的平均值，且其中，mean()为求均值函数，1为全1向量，为考虑层间和层内扩散贡献的矩阵；ω为层中、层间扩散的相对权重；bgi表示第i个基因节点是否为被脉冲信号激发的控制节点；bdh表示第h个疾病节点是否为被脉冲信号激发的控制节点；ut＝δ(t-tσ)是周期脉冲信号的一个指标，其中δ是一个狄拉克脉冲函数，并且脉冲时间常数tσ＝5σ，σ＝0,1,2，...；
29、定义考虑层间和层内扩散贡献的矩阵
30、
31、则上述增强型双层异质网络的动力学方程即改写为：
32、
33、
34、
35、
36、
37、
38、式中，bg表示bgi组成的向量；bd表示bdh组成的向量，η为激发节点的权重。
39、优选的，在s4中将待预测节点对异构网络动态脉冲模型上的脉冲信号产生的最大响应，即作为有效的脉冲动态特征来识别与特定疾病相关的基因。
40、一种基于异构网络脉冲动力学的疾病基因识别系统，至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行一种基于异构网络脉冲动力学的疾病基因识别方法。
41、一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行一种基于异构网络脉冲动力学的疾病基因识别方法。
<本文档来自技高网...【技术保护点】
1.一种基于异构网络脉冲动力学的疾病基因识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于异构网络脉冲动力学的疾病基因识别方法，其特征在于，在S1中，其中元素值表示基因之间的关联强度；其中元素值表示疾病之间的关联强度，其中元素值表示疾病与基因之间是否存在关联，R为实数矩阵，NG为基因总数，ND为疾病总数。
3.根据权利要求1所述的一种基于异构网络脉冲动力学的疾病基因识别方法，其特征在于，S2中通过DDA网络和DGA网络计算基因节点之间的功能相似性评分，通过GGA网络与DGA网络计算疾病节点之间的功能相似性评分，进而通过基因节点之间以及疾病节点之间的功能相似性评分来对GGA网络和DDA网络进行增强的具体内容包括：
4.根据权利要求3所述的一种基于异构网络脉冲动力学的疾病基因识别方法，其特征在于，构建增强型双层异质网络的具体内容包括：
5.根据权利要求3所述的一种基于异构网络脉冲动力学的疾病基因识别方法，其特征在于，异构网络动态脉冲模型为：
6.根据权利要求1所述的一种基于异构网络脉冲动力学的疾病基因识别
7.一种基于异构网络脉冲动力学的疾病基因识别系统，其特征在于，至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6任一项所述的一种基于异构网络脉冲动力学的疾病基因识别方法。
8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至6任一项所述的一种基于异构网络脉冲动力学的疾病基因识别方法。
...【技术特征摘要】
1.一种基于异构网络脉冲动力学的疾病基因识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于异构网络脉冲动力学的疾病基因识别方法，其特征在于，在s1中，其中元素值表示基因之间的关联强度；其中元素值表示疾病之间的关联强度，其中元素值表示疾病与基因之间是否存在关联，r为实数矩阵，ng为基因总数，nd为疾病总数。
3.根据权利要求1所述的一种基于异构网络脉冲动力学的疾病基因识别方法，其特征在于，s2中通过dda网络和dga网络计算基因节点之间的功能相似性评分，通过gga网络与dga网络计算疾病节点之间的功能相似性评分，进而通过基因节点之间以及疾病节点之间的功能相似性评分来对gga网络和dda网络进行增强的具体内容包括：
4.根据权利要求3所述的一种基于异构网络脉冲动力学的疾病基因识别方法，其特征在于，构建增强型双层异质网络的具体内容包括：
5.根据...
【专利技术属性】
技术研发人员：项炬，郭子豪，陈胜凯，曾凯鑫，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。