CN114121166B - 一种基于复杂网络的感认知行为与分子网络机制关联方法 - Google Patents
一种基于复杂网络的感认知行为与分子网络机制关联方法 Download PDFInfo
- Publication number
- CN114121166B CN114121166B CN202111399438.8A CN202111399438A CN114121166B CN 114121166 B CN114121166 B CN 114121166B CN 202111399438 A CN202111399438 A CN 202111399438A CN 114121166 B CN114121166 B CN 114121166B
- Authority
- CN
- China
- Prior art keywords
- network
- molecular
- endocrine
- molecular network
- immunity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000001149 cognitive effect Effects 0.000 title claims abstract description 50
- 230000007246 mechanism Effects 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000002124 endocrine Effects 0.000 claims abstract description 39
- 230000003542 behavioural effect Effects 0.000 claims abstract description 33
- 230000036039 immunity Effects 0.000 claims abstract description 32
- 210000005036 nerve Anatomy 0.000 claims abstract description 32
- 230000006399 behavior Effects 0.000 claims abstract description 30
- 230000008447 perception Effects 0.000 claims abstract description 24
- 230000019771 cognition Effects 0.000 claims abstract description 10
- 230000006916 protein interaction Effects 0.000 claims abstract description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 28
- 210000000056 organ Anatomy 0.000 claims description 14
- 201000010099 disease Diseases 0.000 claims description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 12
- 208000020016 psychiatric disease Diseases 0.000 claims description 11
- 210000000987 immune system Anatomy 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 210000000750 endocrine system Anatomy 0.000 claims description 9
- 210000000653 nervous system Anatomy 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 210000004027 cell Anatomy 0.000 description 11
- 210000001519 tissue Anatomy 0.000 description 10
- 230000001537 neural effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000001953 sensory effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 206010062767 Hypophysitis Diseases 0.000 description 2
- 210000004100 adrenal gland Anatomy 0.000 description 2
- 210000003484 anatomy Anatomy 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 210000000936 intestine Anatomy 0.000 description 2
- 210000000496 pancreas Anatomy 0.000 description 2
- 210000000278 spinal cord Anatomy 0.000 description 2
- 210000000952 spleen Anatomy 0.000 description 2
- 210000002784 stomach Anatomy 0.000 description 2
- 210000001541 thymus gland Anatomy 0.000 description 2
- 210000001685 thyroid gland Anatomy 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 231100000871 behavioral problem Toxicity 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003931 cognitive performance Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000002751 lymph Anatomy 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 210000003635 pituitary gland Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
- G16B50/30—Data warehousing; Computing architectures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Epidemiology (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- Bioethics (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
Abstract
本发明提供了一种基于复杂网络的感认知行为与人体分子网络关联方法。该方法包括：构建感知与认知行为表型相关的分子网络；构建神经、免疫、内分泌和微生态相关的分子网络；基于构建的分子网络利用网络平均最短路径长度和网络相关性指标，分别评估感知认知相关表型与神经、免疫、内分泌和微生态在整个蛋白相互作用网络上的分子网络关联性。本发明通过构建感知与认知行为表型相关的分子网络，构建了神经、免疫、内分泌和微生态***相关的分子网络，可以有效地评估感认知行为与神经、免疫、内分泌和微生态***的分子网络关联性，构建出其分子关联机制的数据库。
Description
技术领域
本发明涉及感知与认知行为技术领域，尤其涉及一种基于复杂网络的感认知行为与分子网络机制关联方法。
背景技术
感知与认知行为强调认知活动在心理或者行为问题中的发生作用。认知一般是指认识活动或认知过程，即个体对感觉信号的接受、检测、转换、简约、合成、编码、储存、提取、重建、概念形成、判断和问题解决等信息加工的过程。感知与认知行为和人体神经、免疫、内分泌、微生态***存在密切的关系，然而，目前感知与认知行为和人体神经、免疫、内分泌、微生态***之间的关联机制仍不清晰，仍然缺少必要的技术途径和分子关联数据库为以上研究提供基础。
感知与认知行为和人体神经、免疫、内分泌、微生态***存在密切关联，然而，由于现有技术缺少必要的基础数据和有效的技术路径，缺少构建感知与认知行为表型、神经、免疫、内分泌、微生态***相关分子网络以及分子数据库的方法路径，感知与认知行为和人体神经、免疫、内分泌、微生态***之间的关联机制仍不清晰，不清楚如何评估感知与认知行为表型和神经、免疫、内分泌、微生态***的分子网络相关性。
发明内容
本发明的实施例提供了一种基于复杂网络的感认知行为与人体分子网络关联方法，以实现有效地评估感认知行为与神经、免疫、内分泌和微生态***的分子网络关联性。
为了实现上述目的，本发明采取了如下技术方案。
一种基于复杂网络的感认知行为与人体分子网络关联方法，包括：
构建感知与认知行为表型相关的分子网络；
构建神经、免疫、内分泌和微生态相关的分子网络；
基于构建的分子网络利用网络平均最短路径长度和网络相关性指标，分别评估感知认知相关表型与神经、免疫、内分泌和微生态在整个蛋白相互作用网络上的分子网络关联性，进而构建分子网络数据库。
优选地，所述的构建感知与认知行为表型相关的分子网络，包括：
从医学术语库MeSH中的精神病学与心理学大类中抽取行为机制、心理现象和精神疾病三个子类别，将所述行为机制、心理现象和精神疾病三个子类别包含的所有术语从MeSH库中抽取出来；
从疾病综合信息数据库MalaCards抽取所述行为机制、心理现象和精神疾病三个子类别包含的各个术语相关的疾病，根据MalaCards库得到各个疾病表型相关的基因信息，将所有的基因信息组成基因集合，基于蛋白相互作用关系PPI数据抽取所述基因信息在PPI网络上的分子关联，遍历PPI网络中的所有连边，若一条连边对应的两个基因都属于基因集合，则将这条分子关联保留，通过遍历每一条边，将所有保留的连边上的分子关联，得到感知与认知行为表型相关的分子网络，该分子网络包括节点以及节点之间的连边。
优选地，所述的构建神经、免疫、内分泌和微生态相关的分子网络，包括：
从人类单细胞数据库HCL中收集人类多种器官、组织与细胞的单细胞组学表达数据，基于医学基础知识从HCL库中确定神经***、免疫***、内分泌***和微生态***涉及的组织器官，结合HCL库中的器官、组织、细胞与基因之间的关系得到所述神经***、免疫***、内分泌***和微生态***相关的细胞和关联的基因；
基于PPI数据抽取所述神经***、免疫***、内分泌***和微生态***关联的基因在PPI网络上的分子关联，得到神经、免疫、内分泌和微生态相关的分子网络，该分子网络包括节点以及节点之间的连边。
优选地，所述的基于构建的分子网络利用网络平均最短路径长度和网络相关性指标，分别评估感知认知相关表型与神经、免疫、内分泌和微生态在整个蛋白相互作用网络上的分子网络关联性，包括：
设定所述感知与认知行为表型相关的分子网络为集合A，神经、免疫、内分泌和微生态相关的分子网络为集合B，则集合A和B在PPI网络上的距离的计算公式如下：
其中，SPL(i，j)表示分子i和j在网络上的最短路径长度，|A|和|B|分别表示集合A和B中分子的数目，NRsp(A，B)表示集合A和B中在PPI网络上的距离；
集合A和B在PPI网络上的网络相关性NRzs(A，B)的计算公式如下：
其中，S表示集合A和B在PPI网络上最短距离，＜Srand＞和σ(Srand)分别表示在随机设定次数的情况下得到的平均值和标准差，NRzs(A，B)为负值，值越小表示相关性越强；
根据所有的感知认知相关表型与神经、免疫、内分泌和微生态在PPI网络上的分子网络关联性构建出分子关联机制的分子网络数据库。
由上述本发明的实施例提供的技术方案可以看出，本发明通过构建感知与认知行为表型相关的分子网络，构建了神经、免疫、内分泌和微生态***相关的分子网络，可以有效地评估感认知行为与神经、免疫、内分泌和微生态***的分子网络关联性，构建出其分子关联机制的数据库。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于复杂网络的感认知行为与“神经-免疫-内分泌-微生态”分子关联流程图；
图2为本发明实施例提供的一种感知认知行为表型的分子网络示意图，其中，A：行为与行为机制的分子网络；B：精神障碍相关的分子网络；
图3为本发明实施例提供的一种神经和免疫相关的分子网络示意图，其中A：神经***分子网络；B：免疫相关分子网络。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
本发明实施例提出了一种基于复杂网络的感认知行为与人体分子网络关联方法，上述人体生态分子包括“神经-免疫-内分泌-微生态”分子。主要包含感知与认知行为表型相关的分子网络构建，神经、免疫、内分泌和微生态相关分子网络构建。本发明实施例提供的一种基于复杂网络的感认知行为与“神经-免疫-内分泌-微生态”分子之间的关联流程示意图如图1所示，具体处理过程包括：
(1)感知与认知行为表型相关的分子网络构建
MeSH表型术语抽取。医学术语库MeSH包含16大类医学术语，如解剖学(Anatomy)、有机体(Organisms)、疾病(Diseases)和化合物与药物(Chemicalanddrugs)等等。本发明实施例关注的感知与认知行为表型相关的术语主要包含在第六类，即精神病学与心理学(Psychiatryandpsychology)。经人工核验，从这个大类中确定了感知与认知行为表型相关的三个子类别，即行为与行为机制、心理现象和精神疾病，因此，将这三个子类别包含的1014个术语，从MeSH术语库抽取出来，如下表1结果。
表1：感知与认知行为表型相关术语
表型关联分子网络构建。从疾病综合信息数据库MalaCards分别抽取这三类术语相关的疾病，共得到427个疾病，进而从MalaCards库得到这些疾病表型相关的基因信息，共得到了880个基因，将所有的基因信息组成基因集合。最后，基于蛋白相互作用关系(Protein-roteininteractions，PPI)数据，抽取这些基因在PPI网络上的分子关联，具体是：遍历PI网络中的所有连边，若一条连边对应的两个基因都属于集合A，则将这条分子关联保留，通过遍历每一条边，最终将所有保留的连边作为分子关联。抽取结果如下表2。
表2：感知与认知行为表型术语关联分子网络
从而得到感知与认知行为表型相关的分子网络，该分子网络包括节点以及节点之间的连边。
图2为本发明实施例提供的一种感知认知行为表型的分子网络示意图。利用复杂网络分析软件Cytoscape分别绘制行为与行为机制、精神障碍相关分子网络分别如图2A和2B。图2A表示行为与行为机制的分子网络，其包含339个节点和708条连边，节点平均度为4.1770；图2B表示精神障碍相关的分子网络，其包含1142个节点和4609条连边，节点平均度为8.0718。
(2)神经、免疫、内分泌和微生态相关分子网络构建
人类单细胞数据库(HCL)中收集了人类多种器官、组织与细胞的单细胞组学表达数据。因此，基于医学基础知识，从人类单细胞数据库(HCL)中确定神经***、免疫***、内分泌***、微生态***涉及的组织器官，即神经***涉及大脑(brain)、脊髓(spinal-cord)和脑垂体(hypophysiscerebri)等组织器官；免疫***涉及脾脏(spleen)、淋巴(lympho)、胸腺(thymus)和淋巴-骨髓(lympho-myeloid)等组织器官；内分泌***涉及肾上腺(adrenal-gland)、胰腺(pancreas)和甲状腺(thyroid)等组织器官；微生态***涉及肠(intestine)和胃(stomach)等组织器官。最后，结合HCL数据库中的器官、组织、细胞与基因之间的关系，从中抽取出以上四种***相关的细胞和关联的基因。
基于PPI数据抽取所述神经***、免疫***、内分泌***和微生态***关联的基因在PPI网络上的分子关联，得到神经、免疫、内分泌和微生态相关的分子网络，该分子网络包括节点以及节点之间的连边。得到如下结果，如表3。
表3：神经、免疫、内分泌、微生态***的关联分子网络
图3为本发明实施例提供的一种神经和免疫相关的分子网络示意图，如图3A和3B。图3A表示神经***相关的分子网络，其包含4095个节点和23964条连边，节点平均度为11.7040；图3B表示免疫***相关的分子网络，其包含5206个节点和47144条连边，节点平均度为18.1114。
(3)基于网络的感认知行为与“神经-免疫-内分泌-微生态”分子关联机制分析
利用网络平均最短路径长度(即网络最短距离)和网络相关性指标z-score，分别评估感知认知相关表型与神经、免疫、内分泌和微生态在整个蛋白相互作用(PPI)网络上的分子网络关联性。分子网络关联性的计算本质是评估两个分子集合在PPI网络上的相关性，以分子集合A和分子集合B为例，则以网络平均最短路径长度评估集合A和B的网络关联性(Networkrelevance，NR)，公式如下：
其中SPL(i，j)表示分子i和j在网络上的最短路径长度，|A|和|B|分别表示集合A和B中分子的数目。网络最短距离为正值，值越小表示越相关。网络相关性z-score的计算公式如下：
其中，S表示集合A和B在PPI网络上最短距离，＜Srand＞和σ(Srand)分别表示在随机10000次情况下，得到的平均值和标准差。z-score为负值，值越小表示相关性越强。
利用以上两个网络相关性指标分别评估感知与行为表型与神经、免疫、内分泌和微生态***之间的分子网络相关性，根据所有的感知认知相关表型与神经、免疫、内分泌和微生态在PPI网络上的分子网络关联性构建出分子关联机制的数据库。
本发明实施例的方法得到结果如下：
表4：感知与认知行为表型术语关联分子网络
由于并未在PPI网络中找到心理现象表型的分子关联及分子网络，因此无法得到心理现象与神经、免疫、内分泌和微生态在分子网络上关联性。从表4结果可以看出，平均最短距离和网络相关性z-score两个指标都显示出，对于两种表型，即行为与行为机制以及精神疾病，都与神经、免疫、内分泌和微生态都有较强的相关性，并且他们与这些***的相关性较为近似。这表明神经、免疫、内分泌和微生态四大人体***与感认知行为表型在分子网络上都有关联性。这提示我们在构建分子关联机制数据库时，需要将这四大人体***都纳入其中。最后，将表1、表2、表3和表4得到的各种表型、人体***、组织、细胞和基因分子以及他们之间的复杂分子关联作为感认知行为表型与神经、免疫、内分泌和微生态的分子关联机制数据库。
综上所述，本发明实施例首次构建了感知与认知行为表型相关的分子网络，首次结合单细胞数据，构建了神经、免疫、内分泌和微生态***相关的分子网络，首次利用网络计算方法，评估了感认知行为与神经、免疫、内分泌和微生态***的分子网络关联性，构建出其分子关联机制的数据库。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (1)
1.一种基于复杂网络的感认知行为与人体分子网络关联方法，其特征在于，包括：
构建感知与认知行为表型相关的分子网络；
构建神经、免疫、内分泌和微生态相关的分子网络；
基于构建的分子网络利用网络平均最短路径长度和网络相关性指标，分别评估感知认知相关表型与神经、免疫、内分泌和微生态在整个蛋白相互作用网络上的分子网络关联性，进而构建分子网络数据库；
所述的构建感知与认知行为表型相关的分子网络，包括：
从医学术语库MeSH中的精神病学与心理学大类中抽取行为机制、心理现象和精神疾病三个子类别，将所述行为机制、心理现象和精神疾病三个子类别包含的所有术语从MeSH库中抽取出来；
从疾病综合信息数据库MalaCards抽取所述行为机制、心理现象和精神疾病三个子类别包含的各个术语相关的疾病，根据MalaCards库得到各个疾病表型相关的基因信息，将所有的基因信息组成基因集合，基于蛋白相互作用关系PPI数据抽取所述基因信息在PPI网络上的分子关联，遍历PPI网络中的所有连边，若一条连边对应的两个基因都属于基因集合，则将这条分子关联保留，通过遍历每一条边，将所有保留的连边上的分子关联，得到感知与认知行为表型相关的分子网络，该分子网络包括节点以及节点之间的连边；
所述的构建神经、免疫、内分泌和微生态相关的分子网络，包括：
从人类单细胞数据库HCL中收集人类多种器官、组织与细胞的单细胞组学表达数据，基于医学基础知识从HCL库中确定神经***、免疫***、内分泌***和微生态***涉及的组织器官，结合HCL库中的器官、组织、细胞与基因之间的关系得到所述神经***、免疫***、内分泌***和微生态***相关的细胞和关联的基因；
基于PPI数据抽取所述神经***、免疫***、内分泌***和微生态***关联的基因在PPI网络上的分子关联，得到神经、免疫、内分泌和微生态相关的分子网络，该分子网络包括节点以及节点之间的连边；
所述的基于构建的分子网络利用网络平均最短路径长度和网络相关性指标，分别评估感知认知相关表型与神经、免疫、内分泌和微生态在整个蛋白相互作用网络上的分子网络关联性，包括：
设定所述感知与认知行为表型相关的分子网络为集合A，神经、免疫、内分泌和微生态相关的分子网络为集合B，则集合A和B在PPI网络上的距离的计算公式如下：
其中，SPL(i,j)表示分子i和j在网络上的最短路径长度，|A|和|B|分别表示集合A和B中分子的数目，NRsp(A,B)表示集合A和B中在PPI网络上的距离；
集合A和B在PPI网络上的网络相关性NRzs(A,B)的计算公式如下：
其中，S表示集合A和B在PPI网络上最短距离，<Srand>和σ(Srand)分别表示在随机设定次数的情况下得到的平均值和标准差，NRzs(A,B)为负值，值越小表示相关性越强；
根据所有的感知认知相关表型与神经、免疫、内分泌和微生态在PPI网络上的分子网络关联性构建出分子关联机制的分子网络数据库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111399438.8A CN114121166B (zh) | 2021-11-19 | 2021-11-19 | 一种基于复杂网络的感认知行为与分子网络机制关联方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111399438.8A CN114121166B (zh) | 2021-11-19 | 2021-11-19 | 一种基于复杂网络的感认知行为与分子网络机制关联方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114121166A CN114121166A (zh) | 2022-03-01 |
| CN114121166B true CN114121166B (zh) | 2024-04-19 |
Family
ID=80440841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111399438.8A Active CN114121166B (zh) | 2021-11-19 | 2021-11-19 | 一种基于复杂网络的感认知行为与分子网络机制关联方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114121166B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1479900A (zh) * | 2000-09-12 | 2004-03-03 | ��ʽ����ҽҩ��������о��� | 分子功能网络的生成方法 |
| KR100692319B1 (ko) * | 2006-02-20 | 2007-03-12 | 한국생명공학연구원 | 단백질 상호작용 네트워크 분석을 통한 새로운 질병관련유전자 선정방법 |
| WO2016118513A1 (en) * | 2015-01-20 | 2016-07-28 | The Broad Institute, Inc. | Method and system for analyzing biological networks |
| CN106709278A (zh) * | 2017-01-10 | 2017-05-24 | 河南省医药科学研究院 | 一种非小细胞肺癌驱动基因筛选与功能分析的方法 |
| CN110603597A (zh) * | 2017-05-12 | 2019-12-20 | 美国控股实验室公司 | 用于生物标记识别的***和方法 |
| CN113223610A (zh) * | 2021-05-27 | 2021-08-06 | 浙江大学 | 疾病蛋白质互作网络整合及挖掘跨疾病作用模块的方法 |
| CN113517031A (zh) * | 2020-10-23 | 2021-10-19 | 北京生万生物医药科技有限公司 | 一种mest数据库及其构建方法 |
-
2021
- 2021-11-19 CN CN202111399438.8A patent/CN114121166B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1479900A (zh) * | 2000-09-12 | 2004-03-03 | ��ʽ����ҽҩ��������о��� | 分子功能网络的生成方法 |
| KR100692319B1 (ko) * | 2006-02-20 | 2007-03-12 | 한국생명공학연구원 | 단백질 상호작용 네트워크 분석을 통한 새로운 질병관련유전자 선정방법 |
| WO2016118513A1 (en) * | 2015-01-20 | 2016-07-28 | The Broad Institute, Inc. | Method and system for analyzing biological networks |
| CN106709278A (zh) * | 2017-01-10 | 2017-05-24 | 河南省医药科学研究院 | 一种非小细胞肺癌驱动基因筛选与功能分析的方法 |
| CN110603597A (zh) * | 2017-05-12 | 2019-12-20 | 美国控股实验室公司 | 用于生物标记识别的***和方法 |
| CN113517031A (zh) * | 2020-10-23 | 2021-10-19 | 北京生万生物医药科技有限公司 | 一种mest数据库及其构建方法 |
| CN113223610A (zh) * | 2021-05-27 | 2021-08-06 | 浙江大学 | 疾病蛋白质互作网络整合及挖掘跨疾病作用模块的方法 |
Non-Patent Citations (3)
| Title |
|---|
| Heterogeneous network embedding for identifying symptom candidate genes;Kuo Yang et al.;JOURNAL OF THE AMERICAN MEDICAL INFORMATICS ASSOCIATION;20181101;第25卷(第11期);第1452-1459页 * |
| HIV相关神经认知障碍患者脑组织基因表达谱的变化及生物信息学分析;孙娜;中华疾病控制杂志;20171210(第12期);第99-103页 * |
| 阿尔茨海默症分子机制的生物信息学分析;白高波;中国博士学位论文全文数据库 (基础科学辑);20200515(第05期);第A006-77页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114121166A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Umeda et al. | The somatosensory cortex receives information about motor output | |
| Kaplan et al. | Processing narratives concerning protected values: A cross-cultural investigation of neural correlates | |
| Viskontas et al. | Human medial temporal lobe neurons respond preferentially to personally relevant images | |
| Paz et al. | A neural substrate in the human hippocampus for linking successive events | |
| Candia-Rivera et al. | Neural responses to heartbeats detect residual signs of consciousness during resting state in postcomatose patients | |
| Fares et al. | EEG-based image classification via a region-level stacked bi-directional deep learning framework | |
| Kulkarni et al. | EEG-based diagnosis of alzheimer disease: a review and novel approaches for feature extraction and classification techniques | |
| Fares et al. | Region level bi-directional deep learning framework for eeg-based image classification | |
| Rowland et al. | Contrasting effects of posttraumatic stress disorder and mild traumatic brain injury on the whole-brain resting-state network: a magnetoencephalography study | |
| Penny et al. | Dynamic causal modeling of preclinical autosomal-dominant Alzheimer’s disease | |
| CN106510702A (zh) | 基于中潜伏期听觉诱发电位的听觉注意特征提取、识别***及方法 | |
| Fabietti et al. | Machine learning in analysing invasively recorded neuronal signals: available open access data sources | |
| Jacobs et al. | Can multisensory training aid visual learning? A computational investigation | |
| CN114121166B (zh) | 一种基于复杂网络的感认知行为与分子网络机制关联方法 | |
| Ojie et al. | Kohonen neural network investigation of the effects of the visual, proprioceptive and vestibular systems to balance in young healthy adult subjects | |
| Wang et al. | Critical-like brain dynamics in a continuum from second-to first-order phase transition | |
| Djemal et al. | Wearable electromyography classification of epileptic seizures: a feasibility study | |
| Ferreira-Santos | Complex network analysis of brain connectivity: An introduction | |
| Traş et al. | A Review on University Students’ Resilience and Levels of SocialExclusion and Forgiveness | |
| Adama et al. | Application of soft-clustering to assess consciousness in a CLIS patient | |
| Michalík | The quality of life of caregivers who care for a child with a rare disease–perception of changes as a result of care in the czech republic | |
| Zhang et al. | Analysis of emotion eeg classification based on ga-fisher classifier | |
| Jesmin et al. | Brain cancer risk prediction tool using data mining | |
| Sareen et al. | Studying functional brain networks from dry electrode EEG set during music and resting states in neurodevelopment disorder | |
| Lebkuecher et al. | Multiple sclerosis is associated with differences in semantic memory structure. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |