基于知識學習的冠心病風險功能模塊挖掘方法研究.pdf

1、[目的]
　　 發(fā)展基于先驗知識挖掘冠心病風險功能模塊的網絡分析方法，為研究冠心病發(fā)生發(fā)展的分子機制和尋找風險基因提供研究方向。
　　 [方法]
　　 1.根據復雜疾病的生物學機制以及結合蛋白互作的本質，從已報道的疾病風險基因出發(fā)，整合PPI知識實現疾病風險基因網絡的構建和擴展。
　　 2.利用基于圖論的Newman譜算法分解網絡獲取緊密聯系的模塊。
　　 3.計算模塊的拓撲學指標（直徑，特征路徑

2、長度，連通度，聚類系數），檢驗網絡重要的拓撲結構（小世界性，無標度性，等級性）。
　　 4.利用泊松分布計算模塊的核心基因，并通過基因與疾病數據庫驗證其與冠心病的關系。
　　 5.對各模塊進行GO節(jié)點和KEGG通路的功能富集分析。
　　 [結果]
　　 1.應用266個冠心病相關基因作為初始基因，由蛋白-蛋白互作知識引導構建了一個包含1838個基因和9777個互作對子冠心病特異性基因網絡。
　　

3、2.利用Newman譜算法分解得到14個功能模塊，所有模塊都具有小世界性，12個模塊具有無標度性，4個模塊具有等級性。
　　 3.通過計算共得到114個核心基因共，其中23％是初始基因，17％的基因已有文獻支持和冠心病相關，32％的基因報道和心血管疾病相關，剩下的基因有文獻支持與冠心病的危險因素如高血壓、2型糖尿病和肥胖等相關。
　　 4.富集的部分GO節(jié)點和KEGG通路與已有文獻支持的冠心病發(fā)病機制一致如炎癥反應，免疫

4、反應，血管平滑肌細胞增殖，血小板凝集等;富集到的其它功能可能是冠心病的潛在發(fā)病機制，如雄激素受體信號通路，神經肽激素激活，YY肽受體激活，NOD樣受體信號通路，RIG-Ⅰ樣受體信號通路等。
　　 [結論]
　　 本文提出了一種不依賴于實驗數據構建復雜疾病風險基因網絡及風險功能模塊識別的有效方法。該方法不僅計算簡易，而且彌補了現有方法的一些不足，使結果更具生物學合理性。下游功能學分析和文獻挖掘表明本研究的結果得到前人研究成