[发明专利]一种基于多目标优化的疾病模块检测方法

说明书

本发明公开了一种基于多目标优化的疾病模块检测方法，包括：结合基因表达数据和蛋白质—蛋白质相互作用数据构造综合PPI网络；将综合PPI网络中疾病模块的检测问题转换为疾病模块多目标优化问题：对疾病模块多目标优化问题进行问题优化，得到疾病模块集合；计算疾病模块集合中各疾病模块的分数，并根据各疾病模块的分数从疾病模块集合中选择目标疾病模块。

技术领域

本发明涉及复杂疾病研究技术领域，尤其涉及一种基于多目标优化的疾病模块检测方法。

背景技术

在对人类复杂疾病的研究中，疾病模块的检测占据着重要的地位，准确而有效的检测出疾病模块有利于人们对疾病分子机制的深入了解，从而提高疾病诊断的准确率，甚至能做到有效的病前诊断，疾病模块的检测还可以促进复杂疾病的有效治疗方法以及药物的发展。现如今，越来越多的疾病模块检测方法被提出，疾病相关的先验知识也日益积累，但复杂疾病的研究对人类来说仍是一大挑战。生物网络以及疾病相关先验知识的不完备性仍会对复杂疾病的研究形成阻碍，尤其是对先验知识要求比较高的方法，在缺少先验知识的情况下将无法准确运行。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于多目标优化的疾病模块检测方法；

本发明提出的一种基于多目标优化的疾病模块检测方法，包括：

S1、结合基因表达数据和蛋白质—蛋白质相互作用数据构造综合PPI网络；

S2、将综合PPI网络中疾病模块的检测问题转换为疾病模块多目标优化问题；

S3、对疾病模块多目标优化问题进行问题优化，得到疾病模块集合；

S4、计算疾病模块集合中各疾病模块的分数，并根据各疾病模块的分数从疾病模块集合中选择目标疾病模块。

优选地，步骤S1，具体包括：

S11、获取基因表达数据中的正常样本，根据基因在正常样本中的表达值计算各个基因间的person相关系数取绝对值，记为PCC_n，其中，n为所用正常样本的个数，作为基因间的边权，与PPI网络数据对照，仅保留存在于PPI网络数据中的边，得到参考网络；

S12、在正常样本数据中加入一个疾病样本构成新的样本数据，计算各样本间基因的person相关系数取绝对值，记为PCC_n+1，其中n+1为所用样本个数，作为基因间的边权，与PPI网络数据对照，仅保留存在于PPI网络数据中的边，得到疾病样本对应的扰动网络；

S13、重复执行步骤S12，直到所有疾病样本都得到对应的扰动网络；

S14、将各个疾病样本对应的扰动网络分别与参考网络做差，对应边权相减取绝对值即ΔPCC_n＝|PCC_n+1-PCC_n|，利用z-检验计算ΔPCC的显著性值其中，设定阈值p-value＜0.05，得到各疾病样本对应的个体特异性差网络；