Heterogeneous network and graph attention auto-encoder for LncRNA-disease association prediction
Library of Qufu Normal University(曲阜师范大学图书馆)
本文提出HGATELDA模型,通过融合miRNA相关线性特征与图注意力自编码器提取的非线性特征,实现lncRNA-疾病关联的高精度预测。
2024-05-03 cs.AI cs.LG q-bio.QM
Disease universe: Visualisation of population-wide disease-wide associations
我们将力导向弹簧嵌入图布局方法应用于电子健康记录,以可视化在个体生物有机体中呈现的人类疾病之间的人群范围的关联。引入的可视化是基于Google地图平台实现的,可以在http://disease-map.net上找到。我们认为,所建议的可视化方法既可以验证已知的疾病之间的关联的细节,并确定新的从未注意到的关联模式。
2013-08-12 q-bio.QM
NutriFD: Proving the medicinal value of food nutrition based on food-disease association and treatment networks
NutriFD是一个基于食物与疾病关联及治疗关系的评分网络,整合9个数据库,通过加权推断和机器学习模型评估日常食物对疾病的治疗关系,填补了食疗数据库的空白。
2023-05-17 q-bio.QM
Characterization and reduction of variability in selection based on effect-size using association measures in cohort study of heterogeneous diseases
队列研究采用成对的关联措施来量化条件和暴露之间的依赖关系。为了可靠地使用这些指标来得出关于潜在关联强度的结论,需要这些指标是稳健和无偏的。这些考虑因素在应用于疾病网络时具有更大的意义,其中对异质疾病对之间的关联进行排名。使用来自550万个体的大型队列的疾病诊断数据,我们开发了一种综合方法来表征标准关联度量(如相对风险和$ϕ$相关性)的偏倚。为了克服这些偏见,我们设计了一种新的措施的基础上疾病发展的随机模型。新的措施被证明具有最小的总体偏差,因此将是最适合应用于异质性疾病队列。
2017-05-27 q-bio.QM
Unveiling new disease, pathway, and gene associations via multi-scale neural networks
疾病涉及复杂的过程和细胞机制的改变。受影响细胞的基因表达谱包含与疾病相关的特征模式。因此,与疾病有关的生物学知识可以从患者细胞的概况中获得,提高我们的诊断能力,以及我们对疾病风险的把握。这些知识可用于药物再利用,或由医生评估患者的病情和共病风险。在这里,我们看看差异基因表达从微阵列技术获得的患者诊断为各种疾病。基于这些数据和细胞多尺度组织,我们的目标是揭示疾病-疾病联系,以及疾病-基因和疾病-通路的关联。我们提出了神经网络的结构灵感来自多尺度组织的细胞。我们表明,这些模型能够正确预测大多数患者的诊断。通过对训练模型的分析,我们预测和验证了疾病-疾病、疾病-途径和疾病-基因的关联,并与已知的相互作用和文献检索进行了比较,为我们研究中的新预测提出了假定的解释。
2020-04-10 q-bio.QM
Network reinforcement driven drug repurposing for COVID-19 by exploiting disease-gene-drug associations
目前,COVID-19患者人数显著增加。因此,迫切需要开发COVID-19的治疗方法。药物再利用是将已经批准的药物重新用于新的医疗条件的过程,可以快速广泛地解决这个问题。许多针对COVID-19患者使用其他疾病治疗的临床试验已经到位,或将在不久的将来在临床场所进行。此外,患有糖尿病、肥胖症、肝硬化、肾脏疾病、高血压和哮喘等合并症的患者患COVID-19严重疾病的风险更高。因此,共病与COVID-19的关系可能有助于找到可重复利用的药物。为了减少在寻找COVID-19治疗方法时的试错,我们建议建立一个基于网络的药物再利用框架,以优先考虑可再利用的药物。首先,我们利用COVID-19的知识构建了一个疾病-基因-药物网络(DGDr-Net),该网络代表了一个以COVID-19为中心的相互作用组,其中包含疾病、基因和药物的组成部分。DGDr-Net包括592种疾病、26,681个人类基因和2,173种药物,以及18种常见合并症的医学信息。DGDr-Net通过网络强化驱动的评分算法推荐了COVID-19的候选可重复利用药物。评分算法利用基于图的半监督学习确定推荐的优先级。根据预测得分,我们推荐了30种药物,包括地塞米松、白藜芦醇、甲氨蝶呤、吲哚美辛、槲皮素等,作为COVID-19的可重复利用药物,并通过已进行临床试验的药物验证了结果。通过数据驱动的计算方法列出的药物清单可以帮助减少在寻找CO…
2020-08-12 q-bio.MN q-bio.QM
Recent Advances in Network-based Methods for Disease Gene Prediction
Nanyang Technological University(南洋理工大学);Institute for Infocomm Research(资讯通信研究所);Singapore Management University(新加坡管理大学);Shenzhen University(深圳大学)
通过全基因组关联研究(GWAS)研究疾病与基因的关联是一项艰巨的任务。研究与特定疾病相关的单核苷酸多态性(SNPs)需要对相关性进行统计分析。考虑到大量可能的突变,除了其高成本之外,GWAS分析的另一个重要缺点是大量的假阳性。因此,研究人员通过不同的来源寻找更多的证据来交叉检查他们的结果。为了给研究人员提供替代的低成本疾病基因关联证据,计算方法开始发挥作用。由于分子网络能够捕捉疾病中分子之间复杂的相互作用,因此它们成为疾病-基因关联预测中最广泛使用的数据之一。在这项调查中,我们的目标是提供一个全面的和最新的审查基于网络的疾病基因预测的方法。我们还对14种最先进的方法进行了实证分析。总之,我们首先阐明了疾病基因预测的任务定义。其次,我们将现有的基于网络的努力分为网络扩散方法,传统的机器学习方法与手工绘制的图特征和图表示学习方法。第三,进行了实证分析,以评估所选择的方法在七种疾病的性能。我们还提供了区别的调查结果,讨论的方法基于我们的实证分析。最后,我们强调了疾病基因预测未来研究的潜在研究方向。
2020-12-17 cs.LG q-bio.MN q-bio.QM
Computational Approaches for Predicting Drug-Disease Associations: A Comprehensive Review
School of Computer Science and Technology, Xidian University(西安电子科技大学计算机科学与技术学院);Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China(电子科技大学基础与前沿研究院)
本文全面综述了用于药物重定位的药物-疾病关联预测计算方法,将其分类为神经网络、矩阵、推荐、链接推理及文本挖掘等算法,比较了预测性能并探讨了当前挑战与未来前景。
2023-09-10 cs.LG q-bio.QM
INDIGENA: inductive prediction of disease-gene associations using phenotype ontologies
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
INDIGENA通过结合表型本体和图嵌入方法,实现了对新疾病表型的诱导预测,提升了基因-疾病关联预测的性能。
2026-02-01 q-bio.QM
Integrated analysis of variants and pathways in genome-wide association studies using polygenic models of disease
许多常见疾病是高度多基因的,由大量遗传因素调节,对疾病易感性的影响很小。这些小的影响很难在遗传关联研究中可靠地映射。为了解决这个问题,研究人员已经开发出一种方法,可以聚合相关基因集(如生物学途径)的信息,以识别富含与疾病相关的遗传变异的基因集。然而,这些方法未能回答一个关键问题:哪些基因和遗传变异与疾病风险相关?我们开发了一种基于稀疏多元回归的方法,该方法同时识别丰富的途径,并优先考虑这些途径中的变体,以定位与疾病易感性相关的其他变体。我们的方法的一个核心特征是对富集强度的估计,这产生了一种连贯的方式来优先考虑富集途径中的变体。我们在克罗恩病的全基因组关联研究中说明了我们方法的益处,该研究对约4700名研究受试者进行了约440,000种遗传变异的基因分型。我们获得了对IL-12、IL-23和其他细胞因子信号通路富集的强有力支持。此外,优先考虑这些丰富的途径中的变异产生了对其他疾病相关变异的支持,所有这些变异都已在克罗恩病的其他病例对照研究中独立报道。
2012-08-21 q-bio.GN q-bio.QM stat.AP
Building a Relation Extraction Baseline for Gene-Disease Associations: A Reproducibility Study
University of Padua(帕多瓦大学)
复制是科学研究中的一项重要任务。研究人员将新开发的系统与最先进的系统进行比较,以评估它们是否取得了突破,这一点至关重要。然而,以前的作品可能无法立即复制,例如由于缺乏源代码。在这项工作中,我们重现DEXTER,系统自动提取基因疾病协会(GDA)从生物医学摘要。我们的目标是提供一个基准,为未来的工作有关关系抽取(RE),使研究人员能够测试和比较他们的结果。
2022-07-04 cs.CL cs.IR q-bio.QM
Mapping disease-regulatory flux through eQTL-based causal gene networks: a complex-trait framework applied to coronary artery disease
University of Bergen(卑尔根大学);Karolinska Institutet(卡罗林斯卡学院)
GRN-TWAS通过整合基因调控网络拓扑结构,提升冠状动脉疾病基因-疾病关联研究的发现和解释能力。
2026-09-21 q-bio.GN q-bio.MN q-bio.QM
Interactions between species introduce spurious associations in microbiome studies
微生物群有助于宿主表型的许多方面,包括疾病。为了将特定微生物与特定表型联系起来,微生物组范围的关联研究比较了两组样本之间的微生物丰度。然而,绝对差异不仅反映了与表型的直接关联,还反映了由于微生物相互作用而产生的间接影响。我们发现,微生物的相互作用很容易产生大量的虚假关联,提供没有机制的见解。利用统计物理学的技术,我们开发了一种方法来消除间接关联,并将其应用于儿科炎症性肠病的最大数据集。我们的方法纠正了标准关联检验中p值的膨胀,并表明只有一小部分关联与疾病直接相关。直接关联在区分病例与对照方面具有更高的准确性,并指出免疫调节、丁酸盐产生和脑-肠轴是炎症性肠病的重要因素。
2018-01-30 q-bio.QM stat.AP
Clinical connectivity map for drug repurposing: using laboratory tests to bridge drugs and diseases
药物再利用越来越受到制药业和研究界的关注。许多现有的计算药物再利用方法依赖于临床前数据(例如,化学结构,药物靶点),导致临床试验的翻译问题。在这项研究中,我们提出了一个临床连接图框架,通过利用实验室测试来分析药物和疾病之间的互补性。我们建立了临床药物效应向量(即,药物实验室测试协会),通过应用一个连续的自我对照病例系列模型的纵向电子健康记录数据。我们建立临床疾病体征向量(即,疾病实验室检查协会)通过应用Wilcoxon秩和检验的大规模全国调查数据。最后,我们通过对临床疾病体征向量和临床药物效应向量应用基于点积的评分函数来计算每个药物-疾病对的再利用可能性得分。我们综合评估了392种药物对6种重要慢性疾病的治疗效果(例如,哮喘、冠心病、2型糖尿病等)。我们不仅发现了疾病与药物之间的已知关联,还发现了许多隐藏的药物与疾病的关联。此外,我们能够解释预测的药物-疾病协会通过相应的互补性之间的实验室测试的药物效应向量和疾病的迹象向量。所提出的临床连接图框架使用来自电子临床信息的实验室测试来桥接药物和疾病,这是可解释的,并且比现有的计算方法具有更好的翻译能力。实验结果证明了所提出的框架的有效性,并表明我们的方法可以帮助识别药物再利用的机会,这将有利于患者提供更有效,更安全的治疗。
2020-07-24 q-bio.QM stat.AP
Association in Facial Phenotype, Gene, Disease: A Dataset for Explainable Rare Genetic Diseases Diagnosis
针对现有面部表型诊断模型缺乏可解释性的问题,本文构建了FGDD数据集(含1147条记录),验证了常用分类算法的性能并分析可解释性,旨在支持可解释诊断模型训练及探索基因-疾病-面部表型关联。
2025-03-25 q-bio.QM stat.AP
GBDTSVM: Combined Support Vector Machine and Gradient Boosting Decision Tree Framework for efficient snoRNA-disease association prediction
Department of Computer Science and Engineering, United International University(计算机科学与工程系,国际联合大学)
本文提出 GBDTSVM 框架,融合 GBDT 特征提取、SVM 分类及高斯核谱相似性,用于高效预测 snoRNA-疾病关联,并在多个数据集上取得优于现有方法的性能。
2025-05-10 cs.LG q-bio.QM
SAveRUNNER: a network-based algorithm for drug repurposing and its application to COVID-19
新型人类冠状病毒COVID-19/SARS-CoV-2的新颖性以及缺乏有效的药物和疫苗,导致采用各种各样的策略来对抗这一全球大流行病。这些策略中的许多依赖于现有药物的重新定位,与从头药物发现相比,这可以缩短时间并降低成本。在这项研究中,我们提出了一种新的基于网络的药物重新定位算法,称为SAveRUNNER(Searching off-lAbel dRUg aNd NEtwoRk),它通过一种新的基于网络的相似性度量来量化药物靶标和人类相互作用组中疾病特异性蛋白质之间的相互作用,从而预测药物-疾病关联,该相似性度量优先考虑位于相同网络邻域中的药物和疾病之间的关联。具体而言,我们将SAveRUNNER应用于14种选定疾病的小组,这些疾病具有关于其致病基因的综合知识,并且已发现与COVID-19相关的遗传相似性,共病或与暂时重新用于治疗COVID-19的药物的关联。特别关注SARS子网络,我们确定了282种可重复使用的药物,包括一些最有传言的COVID-19治疗标签外药物,以及实际用于临床实践的5种药物的新组合疗法。此外,为了最大限度地提高推定的下游验证实验的效率,我们根据其基于网络的相似性值优先考虑了24种潜在的抗SARS-CoV可再利用药物。这些排名靠前的药物包括ACE抑制剂、单克隆抗体和凝血酶抑制剂。最后,我们的研究结果通过基因集富集分析进行了计算机验证,证实了大多数网络预测的可重…
2020-06-26 q-bio.MN q-bio.QM
Boosting drug-disease association prediction for drug repositioning via dual-feature extraction and cross-dual-domain decoding
Institute of Computing Science and Technology, Guangzhou University(广州大学计算科学与技术学院);School of Computer Science and Technology, Dalian University of Technology(大连理工大学计算机科学与技术学院);Electronics and Communication Sciences Unit, Indian Statistical Institute(印度统计研究所电子与通信科学部)
针对现有药物重定位方法未考虑药病特征空间关联导致编码偏差的问题,提出含双特征提取模块与交叉双域解码器的DFDRNN模型,在四个基准数据集上性能优于六种SOTA方法,具备实际应用潜力。
2025-01-17 cs.LG q-bio.QM
Transforming Multi-Omics Integration with GANs: Applications in Alzheimer's and Cancer
Tulane Center for Biomedical Informatics(Tulane 生物医学信息学中心);Genomics, Deming Department of Medicine, Tulane University(生物医学基因组学部, Tulane 大学医学部);Department of Computer Science, Tulane University(计算机科学系, Tulane 大学);Ochsner Center for Outcomes Research, Ochsner Research(Ochsner 研究中心, Ochsner 研究)
本文提出Omics-GAN,一种基于GAN的多组学数据整合框架,通过生成合成数据提升阿尔茨海默病和癌症的预测性能,并助力生物标志物与药物重定位发现。
2025-10-22 cs.LG q-bio.QM stat.ML
Identification of Cancer -- Mesothelioma Disease Using Logistic Regression and Association Rule
Stevens Institute of Technology(史蒂文斯理工学院);Syracuse University(雪城大学);Dicle University(迪克莱大学)
恶性胸膜间皮瘤(MPM)或恶性间皮瘤(MM)是一种非典型的侵袭性肿瘤,在胸膜(与肺接壤的组织层)中成熟为癌症。MPM的诊断是困难的,它占美国每年诊断的所有间皮瘤的约75%。作为一种致命的疾病,MPM的早期识别对于患者的生存至关重要。我们的研究实施逻辑回归和开发关联规则来识别MM的早期症状。我们检索了Dicle大学生成的医疗报告,并实施逻辑回归来衡量模型的准确性。我们进行了(a)逻辑相关性,(b)综合检验和(c)Hosmer和Lemeshow检验用于模型评估。此外,我们还开发了关联规则的信心,规则支持,电梯,条件支持和部署。分类逻辑回归将训练准确率从72.30%提高到81.40%,测试准确率为63.46%。该研究还显示了最有可能表明MM存在的前5个症状。该研究得出结论,使用预测模型可以增强MM的初步表现和诊断。
2019-08-21 cs.CY cs.LG q-bio.QM
PGCLODA: Prompt-Guided Graph Contrastive Learning for Oligopeptide-Infectious Disease Association Prediction
Institute of Physical Science and Information Technology(物理科学与信息技术研究所);Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education(教育部智能计算与信号处理重点实验室);School of Artificial Intelligence(人工智能学院)
针对寡肽-传染病关联预测模型稀缺的问题,提出PGCLODA框架,利用提示引导的图对比学习和双编码器架构,在基准上优于现有模型,并验证了泛化能力。
2025-09-24 cs.AI cs.LG q-bio.QM
Bayesian nonparametric strategies for power maximization in rare variants association studies
罕见的变异被认为是人类遗传性和疾病易感性的主要原因。因此,罕见变异关联研究为理解疾病提供了希望。相反,变异的稀有性带来了实际挑战;由于这些变异存在于少数个体中,因此很难开发有效利用其稀疏信息的数据收集和统计方法。在这项工作中,我们开发了一种新的贝叶斯非参数模型,以捕捉罕见变异关联研究中的设计选择如何影响其有用性。然后,我们展示了如何使用我们的模型来指导设计选择在实践中固定的实验预算。特别是,我们提供了一个实用的工作流程和模拟数据的说明性实验。
2021-12-03 q-bio.GN q-bio.QM stat.ME
Network Based Approach to Gene Prioritization at Genome-Wide Association Study Loci
动机:全基因组关联研究(GWAS)已经成功地识别出数千个复杂性状和疾病的遗传风险位点。这些GWAS基因座中的大多数位于基因组的调控区,并且每个GWAS风险基因座发挥其作用的基因并不总是清楚的。已经提出了许多利用生物学数据来源的计算方法来鉴定GWAS基因座处的推定因果基因;然而,这些方法可以改进。结果如下:我们提出了一种密集的模块搜索方法,通过将来自GWAS数据的关联信号整合到基因共调控网络中来生成候选子网络,来识别GWAS位点的推定因果基因。我们采用我们的方法在慢性阻塞性肺疾病GWAS。我们进行了广泛的,比较研究的最大化方法的性能对既定的基线。
2022-10-28 q-bio.GN q-bio.QM
Fractal Characterizations of MAX Statistical Distribution in Genetic Association Studies
为MAX统计量定义了两个非整数参数,它们是$d$简单检验统计量的最大值。第一个参数$d_{MAX}$是测试的分数,表示MAX中独立测试的等效数量。如果$d$测试是依赖性的,则为$d_{MAX} < d$。第二个参数是拟合MAX零分布的卡方分布$χ^2_k$的分数自由度$k$。这两个参数$d_{MAX}$和$k$可以独立地定义,并且即使$d_{MAX}$是整数,$k$也可以是非整数。我们使用遗传病例对照研究中MAX2和MAX 3统计量的例子来说明这两个参数。我们推测,$k$是有关的测试推断的模型的歧义量。在病例-对照遗传关联中,$k$低水平检测(例如$k=1$)能够提供关于疾病模型的明确信息,而$k$高水平检测(例如$k=2$)则完全不确定疾病模型。与海森堡的不确定性原理类似,推断疾病模型的能力和检测显著关联的能力可能无法同时得到优化,而$k$似乎可以衡量两者平衡的程度。
2009-09-14 q-bio.PE q-bio.QM
Estimating marginal association between paired outcomes in clustered data with an application to analyzing caries and periodontal disease data from the National Health and Nutrition Examination Survey
本文提出三种加权估计方法,用于估计集群数据中配对结果之间的边际关联,通过引入基于集群内重采样的权重,扩展了逆集群大小和子组大小加权方法,并利用Stouffer方法改进了现有的ISS检验过程,以减少计算负担。
2026-10-14 q-bio.QM stat.AP stat.ME
An Association Test Based on Kernel-Based Neural Networks for Complex Genetic Association Analysis
本研究针对复杂基因型-表型关联检验难题,在基于核的神经网络框架下提出三种MINQUE检验方法,可评估线性及非线性遗传效应,在模拟中效能优于SKAT,且在UK Biobank数据中识别出海马体积相关基因。
2023-12-06 cs.LG q-bio.QM stat.ME
Fully integrative data analysis of NMR metabolic fingerprints with comprehensive patient data: a case report based on the German Chronic Kidney Disease (GCKD) study
组学数据有助于获得对疾病病理生理学的新见解,从而有助于疾病的诊断、治疗和预防。为此,有必要将组学数据与其他数据类型(如分类或连续性质的临床,表型和人口统计参数)相结合。在这里,我们将这个数据整合问题用于慢性肾脏疾病(CKD)的研究,其中复杂的临床和人口统计学参数与一维(1D)1H NMR代谢指纹一起进行评估。常规分析筛选单个代谢特征与临床参数的关联,这需要考虑通常由专家知识选择的混杂变量。这种知识可能是不完整的或不可用的。这篇文章的结果是多方面的。我们引入了一个数据集成框架,该框架本质上可以调整混淆变量。我们给出了它的数学和算法基础,提供了一个最先进的实现,并给出了几个健全的检查。特别是,我们发现的关联仍然显着的变量调整后,根据专家知识。与此相反,我们说明了在常规分析中发现的关联可能会受到单变量筛选方法中不正确或不完整的专家知识的影响。最后,我们阐述了我们的数据整合方法如何揭示CKD合并症和代谢物之间的重要关联。此外,我们评估了独立验证数据的估计模型的预测性能,并将结果与朴素筛选方法进行了对比。
2018-10-08 q-bio.QM stat.AP
Improving Diseases Predictions Utilizing External Bio-Banks
Weizmann Institute of Science(魏茨曼科学研究所);Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本研究提出利用小数据集训练LightGBM模型插补代谢组学特征,结合生存分析与GWAS应用于UK Biobank,在缺乏疾病标签的数据受限场景下成功揭示了血管性痴呆与吸烟等真实生物学关联。
2025-03-30 cs.AI cs.LG q-bio.QM
DeePathology: Deep Multi-Task Learning for Inferring Molecular Pathology from Cancer Transcriptome
Royan Institute(罗扬研究所);Sharif University of Technology(谢里夫理工大学);Colorado State University(科罗拉多州立大学)
尽管取得了巨大的进展,但分子癌症病理学通常仅限于使用少量生物标志物,而不是整个转录组,部分原因是计算挑战。在这里,我们介绍了一种新型的深度神经网络(DNN)架构,该架构能够通过多任务和迁移学习同时推断生物样本的各种属性。它将整个转录谱编码到大小为8的显著低维的潜在载体中,然后从该载体恢复mRNA和miRNA表达谱、组织和疾病类型。该潜在空间明显优于原始基因表达谱,用于基于其组织和疾病区分样品。我们采用这种架构的mRNA转录谱的10787个临床样本34类(一个健康和33种不同类型的癌症)从27个组织。我们的方法在预测每个样本的起源组织、正常或疾病状态和癌症类型方面显著优于先前的工作和经典的机器学习方法。对于具有一种以上癌症类型的组织,它在识别正确的癌症亚型方面的准确率达到99.4%。我们还表明,该系统是非常强大的噪声和缺失值。总的来说,我们的研究结果突出了人工智能在分子癌症病理学和肿瘤学研究中的应用。DeePathology可在\url{https://github.com/SharifBioinf/DeePathology}上免费获得。
2019-08-13 cs.LG q-bio.QM stat.ML
Trees Assembling Mann Whitney Approach for Detecting Genome-wide Joint Association among Low Marginal Effect loci
Michigan State University(密歇根州立大学);Mayo Clinic(梅奥诊所)
提出TAMW方法用于高效检测低边际效应遗传变异间的全基因组联合关联,在模拟与实证研究中功效优于MDR和LRMW,并揭示了13个与克罗恩病相关的基因。
2015-05-05 cs.AI cs.LG q-bio.QM
A powerful MAF-neutral allele-based test for case-control association studies
在旨在定位感兴趣疾病的常染色体疾病变体的病例对照研究中,通常通过比较病例和对照之间的标记次要等位基因频率(MAF)来测试标记与疾病状态之间的关联。对于大多数常见的基于等位基因的测试,统计功效高度依赖于这些MAF的实际值,其中与具有高MAF的相关标志物相比,具有低MAF的相关标志物具有更低的检测功效。因此,主要基于其p值选择用于后续研究的标记物的流行策略可能优先选择具有高MAF的标记物。我们提出了一种新的测试,它不支持标记物与高MAF,并提高了权力的标记物与低至中度的MAF,而不牺牲性能的标记物与高MAF,因此在这方面优于大多数现有的测试。从理论上推导出了该检验的渐近幂函数的显式公式,从而可以快速简便地计算相应的p值。在渐近和有限样本量的设置与现有的几个测试的性能进行了比较。
2020-02-12 q-bio.GN q-bio.QM stat.AP
Neurogenetics of the Human Adenosine Receptor Genes: Genetic Structures and Involvement in Brain Diseases
腺苷受体是一种G蛋白偶联受体,在哺乳动物体内广泛参与生理和病理过程。所有四种受体在中枢神经系统中广泛表达,在中枢神经系统中它们调节神经递质释放和神经元可塑性。大量基因关联研究表明,腺苷受体的常见遗传变体(由ADORA 1、ADORA 2A、ADORA 2B和ADORA 3基因编码)在神经/精神疾病中具有神经保护或神经退行性作用。最近报道了罕见变异的新遗传学研究,以及与抑郁症或癫痫亚型的新关联。在这里,我们回顾了人类神经和/或精神疾病中腺苷受体遗传学的文献,并讨论了进一步遗传学研究的前景。我们还提供了四个人类腺苷受体基因的遗传结构及其调控的更新-一个尚未广泛讨论的话题。我们的综述强调了(i)更好地表征腺苷受体基因的遗传学和(ii)了解这些基因是如何调控的重要性。
2020-01-31 q-bio.NC q-bio.QM
The Computational Drug Repositioning without Negative Sampling
Ningbo Artificial Intelligence Institute, Shanghai Jiao Tong University(上海交通大学宁波人工智能研究院);Shanghai Jiao Tong University(上海交通大学)
计算药物重新定位技术是加速药物开发的有效工具。尽管这种技术在近几十年来得到了广泛的应用和成功,但许多现有的模型仍然存在许多缺点,例如大量未经验证的药物-疾病关联和内积。这些工作的局限性主要是由于以下两个原因:首先,以前的工作使用负抽样技术,处理未经验证的药物-疾病的关联作为负样本,这是无效的,在现实世界的设置;其次,内积不能充分考虑到药物和疾病的潜在因素中包含的特征信息。在本文中,我们提出了一种新的PUON框架来解决上述缺陷,该框架仅使用验证(阳性)和未验证(未标记)的药物-疾病关联来模拟计算药物重新定位的风险估计,而不采用负采样技术。PUON还提出了一种基于外邻域的分类器,用于对潜在因子的交叉特征信息进行建模。为了进行全面的比较,我们考虑了8个流行的基线。在四个真实数据集上的实验表明,PUON模型在6个评价指标上取得了最佳性能。
2022-05-31 cs.AI cs.LG q-bio.QM
Toward the automated analysis of complex diseases in genome-wide association studies using genetic programming
University of Pennsylvania(宾夕法尼亚大学)
近年来,机器学习越来越受到关注,以满足对能够有效分析和理解世界各地医疗保健系统中不断增长的生物医学数据数据库的工具的需求。然而,有效地使用机器学习方法需要相当多的领域专业知识,这可能是计算数据科学方法的生物信息学家的入门门槛。因此,使机器学习更容易获得的现成工具对生物信息学家来说是无价的。为此,我们开发了一个开源的管道优化工具(TPOT-MDR),它使用遗传编程来自动设计用于生物信息学研究的机器学习管道。在TPOT-MDR中,我们实现了多因素简化(MDR)作为一种特征构造方法,用于对高阶特征交互进行建模,并将其与一种新的专家知识指导的大型生物医学数据集特征选择器相结合。我们使用来自人类遗传学的模拟和真实世界数据集的组合来展示TPOT-MDR的能力,并发现TPOT-MDR显著优于现代机器学习方法,如逻辑回归和极限梯度提升(XGBoost)。我们进一步分析了TPOT-MDR为现实世界的问题发现的最佳管道,并强调了TPOT-MDR产生高精度解决方案的能力,该解决方案也很容易解释。
2017-02-06 cs.LG cs.NE q-bio.QM
Using Redescription Mining to Relate Clinical and Biological Characteristics of Cognitively Impaired and Alzheimer's Disease Patients
我们使用重描述挖掘来寻找可解释的规则,揭示这些决定因素之间的关联,从而提供有关阿尔茨海默病(AD)的见解。我们将CLUS-RM重描述挖掘算法扩展到基于约束的重描述挖掘(CBRM)设置,该设置支持多种模式的特定用户约束关联的有针对性的探索。重新描述挖掘能够发现临床和生物学属性的特定结构,这些结构描述了许多不同大小、同质性和认知障碍水平的受试者组。我们证实了一些先前已知的发现。然而,在某些情况下,与属性:睾酮,影像学属性的空间模式识别早期AD,以及血浆中的瘦素和血管生成素-2水平,我们证实了以前有争议的结果或提供额外的信息,这些变量及其与AD发病机制的关联。对ADNI数据进行重描述挖掘,发现了一个很大程度上未知的属性:妊娠相关蛋白A(PAPP-A),我们发现它与AD的认知障碍高度相关。在PAPP-A和各种不同的临床试验之间发现统计学显著相关性(p <= 0.01)。这一发现的高度重要性在于PAPP-A是一种金属蛋白酶,已知可切割胰岛素样生长因子结合蛋白。由于它也与A去整合素和金属蛋白酶家族的酶(作为α-分泌酶在非淀粉样蛋白生成途径中生理性切割淀粉样前体蛋白(APP))共享相似的底物,因此它可能在疾病过程的非常早期直接参与APP的代谢。因此,进一步的研究应更深入地探讨PAPP-A在AD发生发展中的作用。
2017-11-14 cs.AI q-bio.NC q-bio.QM
UMMAN: Unsupervised Multi-graph Merge Adversarial Network for Disease Prediction Based on Intestinal Flora
University of Huazhong University of Science and Technology(华中科技大学);University of Harbin Institute of Technology(哈尔滨工业大学)
本文提出无监督多图合并对抗网络UMMAN,首次将图神经网络用于肠道菌群疾病预测,通过原始图与打乱图的对抗学习及节点特征全局集成模块,在多个OTU数据集上验证了其有效性与稳定性。
2024-07-31 cs.AI q-bio.QM
Neuroimaging Feature Extraction using a Neural Network Classifier for Imaging Genetics
University of Victoria(维多利亚大学);Simon Fraser University(西蒙弗雷泽大学)
针对神经影像与遗传数据高维度问题,提出基于神经网络分类器的神经影像特征提取方法,结合多元贝叶斯组稀疏回归模型进行遗传关联,用于阿尔茨海默病预测。
2022-07-08 cs.CV cs.LG q-bio.QM