从基于临床单样本的PPI网络预测疾病基因

实验上鉴定疾病基因既耗时又昂贵,因此吸引人们的兴趣是开发用于预测疾病基因的计算方法。 现有的许多方法都可以通过蛋白质-蛋白质相互作用(PPI)网络预测新的疾病基因。 然而,.PPI在单元的生命周期中不断变化,因此仅使用静态的.PPI网络可能会降低算法的性能。 在这项研究中,我们提出了一种基于从临床基于单个样本的PPI网络(dgCSN)中提取的中心特征来预测疾病基因的算法。 我们的dgCSN首先从通用静态PPI网络和每个病例样品的临床基因表达构建一个基于样品的网络,然后根据所有基于单个样品的网络中出现的每个边的频率将它们融合为一个网络然后,从融合网络中提取基于中心性的特征,以捕获每个基因的特性。 最后,进行回归分析以预测每个基因与疾病相关的可能性。实验表明,我们的dgCSN在乳腺癌和阿尔茨海默氏病上的AUC值分别达到0.893。和0.807,这要好于两个竞争方法。 对排名靠前的10个优先基因的进一步分析还表明dgCSN可有效预测新的疾病基因。