基于生物监督图嵌入提升疾病共病预测：基于人类相互作用网络
机器学习
2025-03-07 v1
摘要
疾病共病对疾病理解与管理具有重要意义. 疾病共病的遗传原因往往可追溯到发生于两种疾病关联基因中的同一基因突变, 或发生于两种不同疾病关联的不同基因中的突变, 但通过蛋白质-蛋白质相互作用相互关联. 因此, 人类相互作用网络被用于更精细的疾病共病研究. 作为大规模不完整图, 人类相互作用网络自身为从特征中提取有用信息的共病预测带来了挑战. 本文引入一种新方法,称为生物监督图嵌入 (BSE), 以选择最相关的特征来增强共病疾病对的预测准确性. 我们对 BSE 对中心嵌入和非中心嵌入方法的影响进行了考察, 结果表明其在状态-of-the-art 技术方面始终优于, 并且擅长选择富含关键生物学洞察的维度, 从而显著提升了预测性能, 在某些变体中通过 ROC 可提升至 50%. 进一步的分析表明, BSE 在生物学关联与基因连接性比例上始终且显著地提升, 确认了其在发现影响共病的潜在生物学因素方面的潜力. 各种指标上的统计显著性提升均凸显了 BSE 引入精确疾病共病预测等其他潜在应用的潜力. 包含源代码的 GitHub 仓库可在以下链接访问: https://github.com/xihan-qin/Biologically-Supervised-Graph-Embedding.
关键词
引用
@article{arxiv.2410.05670,
title = {Improving Disease Comorbidity Prediction Based on Human Interactome with Biologically Supervised Graph Embedding},
author = {Xihan Qin and Li Liao},
journal= {arXiv preprint arXiv:2410.05670},
year = {2025}
}