基于微生物社交网络和随机游走策略的微生物—疾病关联预测

发布时间：2021-03-25 10:59

　　随着人类微生物组计划的迅速发展与应用,如何从这些海量的微生物数据中挖掘出有价值的信息,已经成为生物信息学领域中一个重要的研究热点。通过已知的疾病相互作用关系网络和微生物相似性网络,找出与疾病相关的微生物将有助于帮助人类在健康监测、新药研制、个性化对患者进行用药、以及疾病诊疗等方面取得有效性的进展。本文通过马尔科夫聚类算法形成“微生物社团”,再结合疾病数据构建异构微生物社交网络,利用异构网络随机游走方法以及相关性排名对与疾病相关的微生物进行预测,主要的研究工作和创新如下:第一,基于微生物社交网络的微生物-疾病关联预测。本文通过分析微生物网络拓扑特性,发现微生物之间的相互作用也存在类似于社交网络中的“社交特性”。因此采用SparCC计算相关性构建微生物社交网络,通过马尔科夫聚类算法挖掘微生物社区或微生物网络模块,对潜在的微生物-疾病关联进行预测。再对聚类形成的“微生物社区”进行了分析,列举了呼吸道、肠道、皮肤处的三种常见的疾病:哮喘、结肠癌、过敏性皮肤炎,根据相关性排名预测潜在的微生物-疾病关联,相关医学文献验证了本文所预测的疾病相关微生物的有效性。第二,基于异构网络随机游走的微生物-疾病... 

【文章来源】：华中师范大学湖北省 211工程院校 教育部直属院校

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

图１．１微生物之间存在的六种生态系统关系［６】??２??

＞颂士学位论之??！ｊ?ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??特征选择方法进行选择时。尽管这种方法经常自动选择物种集，从而在数学角度上??预测另一个物种的丰度，但是它并不意味着预测出来的结果会存在生物意义。第二??种方法就是基于相关规则挖掘的复杂关系的网络推理。这种方法是由枚举所有的逻??辑规则所组成的，通过ｐｒｅｓｅｎｃｅ－ａｂｓｅｎｃｅ数据找出有意义的规则。首先通过枚举所??有可能的分类单元集到一定规模并生成所有可能的每一组规则。然后再通过过滤器??的组合以改正多种测试，最后仅保留一些重要的规则，如下图２．２所示。??

２．２微生物相互作用关系的网络特性??随着时间的推移，人们对于网络的认识也在慢慢加深。网络不论是在自然界中、??科技发展或者还是在社会系统中都不是一个随机的网络，网络的结构组织和其进化??过程都有别于随机连接的网络，并且这些网络都遵循一系列的基本的组织规则。同??样的，微生物网络也属于这一网络范畴。??微生物网络不仅可以捕获微生物之间或者不同领域的微生物之间的联系，同时??也可捕捉微生物与季节性变量的环境特征之间的联系，例如一定浓度的硝酸盐和磷??酸盐微生物相关网络除了能够预测微生物之间的个体联系，同时相关网络的??结构也有利于深刻理解微生物群落组织。微生物之间相互作用的网络属性及其相应??的描述如表格２．１所示。例如，微生物网络，和蛋白质相互作用网络、人类社交网??络一样，也是无标度的网络。这意味着许多类群的存在只有少量连接和一些高度连??接（中心）的类群。但是目前还不清楚这些中心类群是否比那些有较少连接的分类??群更具有生态相关性。另外，微生物网络能够被划分成一个个的簇，并且这些簇能??够被解释为一群有重叠生态位的分类单元。同样的，共现的分类单元比随机发生的??

【参考文献】：
博士论文
[1]分形和网络方法在蛋白质数据分析中的一些应用[D]. 赵志琴.湘潭大学 2015

硕士论文
[1]基于二级结构的蛋白质三级结构预测[D]. 孔繁良.济南大学 2016



本文编号：3099569