ENPCANG算法实验结果.PPT

* 一种基于用户相似度改进的协同推荐算法研究 答辩人：李中坤 导 师：陈浩 副教授 时 间：2015.05.30 * 主要内容 研究背景及意义 1 ——ENPCANG算法 ——Ke_Lap_RWRH算法 2 总结与展望 研究内容 3 * 研究背景及意义 现代科学研究表明，人类的一切疾病都与基因有关。 阐明人类疾病和致病基因之间的关系是当前系统生物学一个重要的新兴主题。 寻找疾病相关的致病基因是理解疾病发病机理、协助临床判断及预防诊治手段的基础，具有重大的社会和科学意义。 * 研究背景及意义 目前主流的人类疾病致病基因预测方法 1、random walk with restart (RWR) 2、CHIPER 3、RWRH 4、加强邻居节点度（Neighbor-favoring weight reinforcement to improve random walk-based disease gene prioritization） 5、KENG（PPI网络+GO信息） 6、TS 7、RWPCN * 研究内容之一：ENPCANG算法 算法步骤 1、构建蛋白质复合物网络 * 研究内容之一：ENPCANG算法 算法步骤 2、构建疾病-基因异构网络 3、融合疾病-基因异构网络和复合物网络，并计算状态转移矩阵 4、融合疾病-基因异构网络和复合物网络，计算先验知识向量 5、根据融合网络的T和P0计算基于两个随机游走者的得分 6、根据复合物和蛋白质之间的关系，综合排序优选致病基因 * 研究内容之一：ENPCANG算法 使用的数据集 基因网络： HPRD:8919 34364 表型相似性网络 OMIM:5080 39458 疾病-基因关联数据: OMIM:1448 1126/937 蛋白质复合物数据： CORUM：397 * ENPCANG算法实验结果 留一交叉验证法实验结果 不同疾病-基因数据集下ENPCANG算法结果 * ENPCANG算法实验结果 与具体疾病致病基因预测算法比较 MalaCards * ENPCANG算法实验结果 参数分析 * ENPCANG算法案例分析 具体疾病案例分析 老年痴呆症14个相关的致病基因：MAPT、NCSTN、CASP3、HTT、CASP8、CASP6、 CST3、APH1A、 APH1B、PSENEN、NOTCH1、NOTCH4、FLNB 和CASP1。 乳腺癌： 9个已知的致病基因：BRCA1、RAD51、NBN、PIK3CA、BRCA2、BRIP1、TP53、 ATM和CHEK2 9个易感基因：RB1、MSH2、FANCD2、BCCIP、H2AFX、SMAD3、 EP300和ATR。 * 研究内容之二：Ke_Lap_RWRH算法 算法步骤 1、提取人类蛋白质数据和KEGG通路数据，构造基因网络 2、根据STRWSN算法构建强化种子节点权值信息的基因网络G和疾病表型相似性网络P 3、构造疾病-基因异构网络以及异构网络转移概率矩阵 * 研究内容之二：Ke_Lap_RWRH算法 算法步骤 4、输入查询疾病d，根据已知疾病致病基因信息，利用INIT算法计算先验知识向量Y0。 5、基于先验知识向量Y0和异构网络状态转移矩阵MH的异构网络随机游走，并根据得分情况排序优选候选基因 * 研究内容之二：Ke_Lap_RWRH算法 使用的数据集 基因网络： HPRD:8919 KEGG:177 表型相似性网络 OMIM:5080 39458 疾病-基因关联数据: OMIM:1448 (1126/937) * Ke_Lap_RWRH算法实验结果 留一交叉验证法各类算法比较 * Ke_Lap_RWRH算法实验结果 RECALL曲线 * Ke_Lap_RWRH算法实验结果 参数分析 图 4.2 参数λ对算法的影响 图 4.3 参数δ对算法的影响 * Ke_Lap_RWRH算法案例分析 * Ke_Lap_RWRH算法案例分析 * 总结与展望 本文主要工作： 提出了两种融合多网络的致病基因预测算法 1. ENPCANG算法 将人类蛋白质复合物信息、疾病表型相似性信息以及蛋白质相互作用信息融合在一起，并结合RWR算法和RWRH算法分别从基因层面和模块层面挖掘致病基因相关信息。 2. Ke_Lap_RWRH算法 基于KEGG通路注释信息，综合考虑通路之间的功能关联和相互作用，利用拉