CN108604221B - 用于比较多个交互网络中的对象诱发的信息流的方法和描述符 - Google Patents
用于比较多个交互网络中的对象诱发的信息流的方法和描述符 Download PDFInfo
- Publication number
- CN108604221B CN108604221B CN201680080002.3A CN201680080002A CN108604221B CN 108604221 B CN108604221 B CN 108604221B CN 201680080002 A CN201680080002 A CN 201680080002A CN 108604221 B CN108604221 B CN 108604221B
- Authority
- CN
- China
- Prior art keywords
- network
- sub
- networks
- network system
- interactive
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/40—ICT specially adapted for the handling or processing of medical references relating to drugs, e.g. their side effects or intended usage
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Pharmacology & Pharmacy (AREA)
- Chemical & Material Sciences (AREA)
- Medicinal Chemistry (AREA)
- Toxicology (AREA)
- Computer Hardware Design (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种跟踪通过多个网络系统的信息流的方法包括:从主网络系统和次网络系统的群体中选择主网络系统,其中主网络系统和次网络系统中的每个包括网络节点;选择识别所述主网络系统的网络节点的第一所选特性特征,所述网络节点提供所选主网络系统和次网络系统之间的交互;识别能够与所述主网络系统的网络节点交互的至少一个次网络系统;基于识别提供所述主网络系统和次网络节点之间的交互的主网络节点,将主网络系统细分成子网络系统;识别能够与所述次网络系统的一个或多个网络节点交互的子网络系统;识别主网络系统的每个子网络系统中的子网络节点计数;识别能够与所述主网络节点交互的对象;以及确定与所述主网络节点交互的对象的特征和指示所述主网络节点和次网络节点之间的信息交换的主网络节点的特征之间的同时发生频率或同时发生测量值。
Description
本申请要求于2015年11月25日提交的美国临时申请序列号62/260,088的权益,通过引用其整体并入本文。
所公开的实施例通常涉及信息跟踪,并且更具体地涉及识别多个交互的动态网络系统中的信息流。
背景技术
在现有文献中,术语“信息流”和“信息流分析”通常参考计算机网络系统的分析被使用。因此,计算机网络系统的标志是流经这些网络系统的信息引起这些网络系统的连通性或网络拓扑结构的变化。术语连通性是指从一个网络节点到另一个网络节点的信息传输,并且术语网络节点是指用于信息传播的连接点或重新分配点。
例如,网络节点通过直接或间接地影响相邻网络节点集合的性能来传输信号,进而影响相邻节点集合的相邻节点的性能,并且进而将变化传播到涉及信号分布的所有网络节点,其可以包括遍及多个连接的网络系统的网络节点。通过这些网络系统的信号传播取决于信号的属性和网络系统的拓扑结构。作为流经网络系统的信号的结果而改变网络拓扑结构的网络系统的能力能够注入多个同时信号以用于制定网络系统对输入信号的响应。
尽管计算机工业已经开发了用于信息流分析和实现的许多工具,但对于生物或社交网络系统的分析来说并非如此。
发明内容
分析生物或社交网络系统的管理方案的复杂性要求用于确定网络拓扑之间的关系、通过多个交互动态网络系统的信息流的路由、以及与这些动态网络系统交互的对象或人员的质量的专用工具和方法。理解这些交互关系如何影响复杂网络系统的管理功能是用于预测有机体行为和复杂系统对网络扰动响应的至少一个关键。
在现有文献中,术语“信息流”和“信息流分析”通常参考计算机程序的分析而被使用,该计算机程序以某种方式组合控制流和数据流分析的元素。然而,在这个应用中,这些术语用于描述确定与动态交互网络、社交网络和生物网络中的对象或个人相关联的信息的分布的新颖描述符和方法的效用,该描述符和方法确定与动态交互网络、社交网络以及生物网络中的对象或人员相关联的信息分布,并且使用该信息以用于预测、描述以及管理与这些网络系统交换信息的对象或人员的行为。
目前公开的实施例是针对一种用于为生物物质、人为设计或允许跟踪由多个交互动态网络系统中的“对象/人员”引起的信息流的人员创建新的描述符集合的方法。预计这些新的描述符集合可用于疾病诊断,用于解释由用于监测生理参数的设备产生的生理测量值变化的意义,用于预测生物系统中生物活性物质的影响,用于确定社交网络中感染源的传播,用于选择和管理由生物活性剂、金融工具、产品组成的档案以及用于评估通过社交网络或动态交互网络交换信息的人员行为。然而,虽然所描述的方法学和描述符的应用是无数的,但是本专利申请的焦点在于描述能够跟踪生物或社交网络系统中的信息流的对象或人员的描述符的制造。
为了所公开的实施例,术语对象可以包括,但不限于传染病、人为或自然存在的生物活性物质及其混合物、各种来源的药物、植物、微生物、测量生物系统功能的设备、以及与社交网络系统交互的人员中的一个或多个。
所公开的实施例是针对一种跟踪通过多个网络系统的信息流的方法,其包括从主网络系统和次网络系统的群体中选择主网络系统,其中主网络系统和次网络系统中的每个都包括网络节点;选择识别主网络系统的网络节点的第一所选特性特征,所述网络节点提供所选主网络系统与次网络系统之间的交互;识别能够与主网络系统的网络节点交互的至少一个次网络系统;基于识别提供主网络系统和次网络节点之间的交互的主网络节点,将主网络细分成子网络系统;识别能够与次网络系统的一个或多个网络节点交互的子网络系统;识别每个子网中的主网络节点的子网络节点计数;识别能够与主网络节点交互的对象;以及确定与主网络节点交互的对象的特征和指示主网络节点和次网络节点之间的信息交换的主网络节点的特征之间的同时发生频率(coincidence frequency)或同时发生测量值。
第一所选特性特征可以从以下中选择:交互网络系统的网络节点的专有名称、同义词或符号;与交互网络系统的网络节点相关联的测量值;与交互网络系统的网络节点相关联的多个测量值;交互网络的网络节点组的专有名称和同义词;交互网络系统的网络节点的符号以及交互网络系统的网络节点组的符号。
识别能够与主网络系统的网络节点交互的至少一个次网络系统可以包括:随机选择存储在数据库中的随机所选交互网络的网络节点的第二所选特性特征;使用第一所选特性特征和第二所选特性特征以用于确定第一所选特性特征与第二所选特性特征的同时发生频率或同时发生测量值,并记录结果;以及使用所记录的同时发生频率或同时发生测量结果以用于选择具有能够与主网络系统交互的至少一个网络节点的一个或多个次网络系统。
数据库可以包括以下中的一个或多个:Medline数据库、PubMed数据库、EMBL数据库、世界传统医学专利数据库、中国传统医学数据库、补充和替代的医学数据库、维基百科、数字化出版物的合类、由监视系统收集的测量值、由生物监视系统收集的测量值、由诊断系统收集的测量值、由可穿戴设备收集的测量值、由可穿戴电子系统收集的测量值、由可穿戴传感器收集的测量值、由可穿戴诊断系统收集的测量值、通过众包收集的测量值、医疗记录数据库、不良事件报告系统数据库、DHARA数据库、以及Ayurveda卫生保健系统数据库。
次网络系统可以包括以下中的一个或多个:互联网、社交网络、生态网络、生物网络、营养网络、生物通信网络、流行病学网络、蛋白质网络、供应网络、需求网络、购物网络、电力网络、输电网络、制造网络、交通网络、通信网络、无线网络、金融网络、蜂窝网络、蜂窝通路、代谢网络、基因网络、生理网络、器官系统网络、蜂窝通信网络、细胞信令网络、蜂窝内通信网络、神经元网络、疾病网络、细胞器网络、细菌网络、病毒网络、卫生保健网络、安全网络、犯罪网络、军事网络、免疫网络、以及情报网络。
将主网络细分成子网络可以包括:选择主网络节点的特性特征;选择次网络节点的特性特征;以及使用主网络节点和次网络节点的特性特征以用于确定指示数据库中的主网络节点和次网络节点之间的交互的同时发生测量值或同时发生频率测量值,并记录结果。
该方法可以包括使用以下过程来确定影响主网络系统和所选次网络系统之间的信息传输的对象容量:第一过程,包括选择子网络的本体,和选择能够与所述子网络交互的对象的本体以用于确定所述子网络本体中的实例与所述对象本体中的实例之间的同时发生频率或同时发生测量值,以及记录所述同时发生频率或同时发生测量值的结果;第二过程,包括选择用于所述同时发生频率或同时发生测量值的阈值,以用于确定具有高于所述阈值的同时发生频率或同时发生测量值的子网络的子网络节点的数量,和将结果记录为子网络的对象可达子网络节点计数或记录为所述对象和所述子网络的边缘密度测量值,以及将结果存储为基于边缘密度的对象描述符,所述基于边缘密度的对象描述符提供对影响所述主网络系统与所选多个次网络系统之间的信息传输的对象容量的估计。
该方法还可以包括通过确定主网络系统的子网络的边缘密度测量值和子网络节点计数的比率,使基于边缘密度的对象描述符标准化。
可以使用对象关联的边缘密度测量值的实例作为分子和主网络的子网络的子网络节点计数的实例作为分母来确定比率,并且该方法包括记录得到的节点计数比率。
可以使用对象关联的边缘密度测量值的实例作为分母和主网络的子网络的子网络节点计数的实例作为分子来确定比率,并且该方法包括记录得到的节点计数比率。
该方法可以包括聚合用于所选子网络的计数比率,并使用所聚合的计数比率作为影响所选主网络系统的所选子网络和所选次网络系统之间的信息传输的对象容量的估计。
该方法可以包括通过以下方式来确定第二组描述符集合:通过选择对象的特性特征并确定对象的所选特性特征和主网络节点的特性特征之间的出现频率或同时发生测量值,识别能够与主网络节点交互的对象;识别并计数主网络的每个子网络中能够与所识别的对象交互或交换信息的网络节点的数量;将节点计数记录为集中的子网络节点计数;增加与主网络的子网络的相应子网络节点相关联的对象的同时发生频率或同时发生测量值,并将结果记录为识别针对主网络的子网络的每个子网络节点所获得的对象的同时发生频率测量值的总和;将用于主网络的所述子网络节点计数的所述对象的同时发生频率测量值的总和存储为对象的信息密度测量值,其中所述对象的信息密度测量值提供影响子网络和所选次网络系统之间的信息传输的对象容量的估计。
该方法可以包括将第二描述符集合用在分层聚类分析中以识别在多个交互网络系统中诱发信息流的类似路由的对象组和调节类似信息流的网络拓扑结构组。
该方法可以包括使用基于边缘密度的对象描述符以用于信息流分析。
该方法可以包括使用第二描述符集合以用于信息流分析。
子网络本体可以从蛋白质网络中导出以用于创建用于信息流分析的描述符。
子网络本体可以是基于疾病的,并且从蛋白质网络中导出以用于创建用于信息流分析的描述符。
子网络本体可以是从蛋白质网络中导出以用于创建用于信息流分析的描述符的基于MedDRA术语的子网络本体。
子网络本体可以是从蛋白质网络中导出以用于创建用于信息流分析的描述符的基于生理学的子网络本体。
该方法可以包括使用第二描述符集合以用于对使用从蛋白质网络中导出的基于疾病的子网络本体而选择的药草和药物进行信息流分析。
该方法可以包括使用第二描述符集合以用于对使用从蛋白质网络中导出的基于MedDRA术语的子网络本体而选择的药草和药物进行信息流分析。
该方法可以包括使用第二描述符集合以用于对使用从蛋白质网络中导出的基于生理学的子网络本体而选择的药草和药物进行信息流分析。
该方法可以包括使用基于边缘密度的对象描述符以用于对使用从蛋白质网络中导出的基于疾病的子网络本体而选择的药草和药物进行信息流分析。
该方法可以包括使用基于边缘密度的对象描述符以用于对使用从蛋白质网络中导出的基于MeDRA术语的子网络本体而选择的药草和药物进行信息流分析。
该方法可以包括使用基于边缘密度的对象描述符以用于对使用从蛋白质网络中导出的基于生理学的子网络本体而选择的药草和药物进行信息流分析。
所公开的实施例还针对一种用于产生对象或人员的新颖描述符的方法,包括:第一步骤,选择感兴趣的第一交互网络系统的网络节点的第一组特性特征,所述第一步骤还包括,使用所述第一交互网络系统的所述网络节点的所述所选的特性特征,以用于创建所述第一交互网络系统的第一描述符集合,
其中特性特征可以从包括以下的组中选择:交互网络系统的网络节点的专有名称、同义词或符号;与交互网络系统的网络节点相关联的测量值;与交互网络系统的网络节点相关联的多个测量值;交互网络的网络节点组的专有名称和同义词;交互网络系统的网络节点的符号;交互网络系统的网络节点组的符号。
其中交互网络系统可以从包括以下的组中选择:互联网、社交网络、生态网络、生物网络、流行病学网络、供应网络、需求网络、购物网络、电力网络、输电网络、制造网络、交通网络、通信网络、无线网络、金融网络、蛋白质网络、蜂窝网络、蜂窝通路、代谢网络、基因网络、生理网络、器官系统网络、蜂窝通信网络、细胞信令网络、蜂窝内通信网络、神经元网络、疾病网络、细胞器网络、细菌网络、病毒网络、卫生保健网络、安全网络、犯罪网络。
第二步骤,使用所述第一交互网络系统的所述第一描述符集合以用于选择第二、第三、第四……第n交互网络系统,所述第二,第三,第四……个交互网络系统通过使用以下过程与所述第一交互网络系统直接或间接地交互或者与其直接或间接地交换信息:第一过程,用于随机选择数据库中随机所选交互网络的网络节点的特性特征;第二过程,使用所述第一交互网络系统的所述第一描述符集合和随机所选交互网络系统的网络节点的随机所选特性特征,以用于确定所述第一描述符集合与所述数据库中的所述随机所选交互网络的网络节点的所述随机所选特性特征的同时发生频率或同时发生测量值,并记录结果;以及第三过程,使用所述记录的结果以用于选择具有至少一个网络节点的第二、第三、第四……第n交互网络系统,所述至少一个网络节点能够与所述第一交互网络系统交互或与其交换信息,
其中数据库可以从包括以下的组中选择:Medline数据库、PubMed数据库、EMBL数据库、世界传统医学专利数据库、中国传统医学数据库、补充和替代的医学数据库、维基百科、数字化出版物的合类、由监视系统收集的测量值、由生物监视系统收集的测量值、由诊断系统收集的测量值、由可穿戴设备收集的测量值、由可穿戴电子系统收集的测量值、由可穿戴传感器收集的测量值、由可穿戴诊断系统收集的测量值、通过众包收集的测量值、医疗记录数据库、不良事件报告系统数据库、DHARA数据库、Ayurveda卫生保健系统数据库。
其中用于确定同时发生频率或同时发生测量值的第二过程包括:选择第一描述符集合的实例和选择第二描述符集合的实例以及选择数据库以及使用文本挖掘手段,以用于确定所述数据库中的第一描述符集合的实例与第二描述符集合的实例共同发生的频率并记录结果;同样地,同时发生测量值的确定包括选择第一描述符集合的实例和选择第二描述符集合的实例和选择数据库以及使用用于识别与所述数据库中的第一描述符集合的实例和第二描述符集合的实例相关的测量值并记录结果的手段;
第三步骤,包括用于选择所述第二、第三、第四……第n交互网络系统的网络节点的第二、第三、第四……第n组特性特征的第三方法,所述第三步骤还包括使用所述第二、第三、第四……第n交互网络系统的所述网络节点的所述第二、第三、第四……第n组特性特征以用于创建在所述第二步骤中所选的所述第二、第三、第四……第n交互网络系统的第二、第三、第四……第n描述符集合;
第四步骤,包括第四方法:使用所述第一交互网络系统的所述第一描述符集合和使用所述第二、第三、第四……第n交互网络系统的所述第二、第三、第四……第n描述符集合和所述第二步骤的所述第二过程和所述数据库,以用于选择所述第一交互网络系统的描述符集合的子集,所述描述符集合的子集描述了与所述第二、第三、第四……第n交互网络系统的网络节点直接或间接地交互或者与其直接或间接地交换信息的所述第一交互网络系统的网络节点的子集,
第四过程,用于确定所述第一交互网络系统的所述第一、第二、第三、第四……第n子网络系统中的网络节点的数量并且记录结果,其中所述结果可以被称为所述第一交互网络系统的所述子网络系统的第一、第二、第三、第四……第n子网络节点计数,还被称为SN1-nCN1;
第五步骤,包括用于选择与所述第一交互网络系统直接或间接地交互或者与其直接或间接地交换信息的有限的一组被称为O1-m的对象的第五方法,其中所述第五方法包括第五过程:使用所述第一交互网络系统的所述第一描述符集合和使用随机所选对象的随机所选特性特征和所述第二步骤的所述第二过程以及所述数据库,以用于确定所述第一描述符集合与所述数据库中的所述随机所选对象的所述随机所选特性特征的同时发生频率或同时发生测量值。
选择同时发生频率测量值或同时发生测量阈值并使用所述阈值,以用于选择用于所述数据库中的所述描述符集合的所述同时发生频率测量值或所述同时发生测量值的发生率并记录结果。
使用所述所选同时发生频率测量值或同时发生测量值,以用于选择能够与所述第一交互网络系统的网络节点中的至少一个或多个交互或与其交换信息的对象,并将所述所选对象记录在数据库中。
其中,从包括以下的组中选择对象:社交网络的成员、金融网络的成员、生态网络的成员、处方药、非处方药物、药草、天然产品、阿育吠陀药物、中国传统药物、天然药物、细菌、藻类、有机和无机化学成分、食物、营养素、维生素、微生物、病毒、补充品、移动设备、患者、客户、社区、社区成员、金融工具、债券、公司、生理网络的成员、器官系统网络的成员、蜂窝网络的成员、组织网络的成员。
第六步骤,包括选择所述所选对象的第一组特性特征和使用所述所选对象的所述特性特征作为所述所选对象的第一间歇性描述符集合。
其中从包括以下的组中选择所述对象的第一组特性特征:数据库中的对象的专有名称和同义词、对象的符号、对象的物理性质的合类、与对象相关联的测量值的收集、对象的唯一标识符。
第七步骤,包括第六方法:使用所述对象的所述第一间歇性描述符集合和使用所述第一交互网络系统的所述第一、第二、第三、第四……第n子网络描述符集合以及使用所述第二步骤的所述第二过程以及使用所述数据库,以用于识别能够与所述第一交互网络系统的所述第一、第二、第三、第四……第n子网络系统的至少一个网络节点直接或间接地交互或者与其直接或间接地交换信息的对象,并记录结果;
第六方法可以包括过程:使用所述第一交互网络系统的所述第一、第二、第三、第四……第n子网络的所述第一组间歇性对象描述符和所述第一、第二、第三、第四……第n组子网络描述符以及所述第二步骤的所述第二过程以及所述数据库,以用于确定所述数据库中的所述第一交互网络系统的所述子网络系统的所述第一组间歇性对象描述符和所述第一、第二、第三、第四……第n子网络描述符的同时发生频率或同时发生测量值,并记录结果,选择所述同时发生频率测量值或同时发生测量值的阈值,以用于选择能够与所述对象交互或交换信息的所述第一交互网络系统的所述第一、第二、第三、第四……第n子网络系统中的网络节点的至少一个或多个;
第十过程,用于对用于所述子网络系统和所述对象的所述所选网络节点的数量进行计数,并记录结果,其中所述结果被称为第一、第二、第三、第四……第n对象-子网络-交互节点计数,下文中还被称为O1-n SN1-n ICN1;
第八步骤,包括第七方法:使用所述对象的被称为O1-n SN1-n ICN1的所述对象-子网络-交互节点计数作为分子,并使用所述第一交互网络系统的所述子网络的被称为SN1-nCN1的所述子网络-节点计数作为分母,以用于确定所述子网络节点计数之间的比率,并记录用于所述对象O1-m和所述子网络系统SN11-n的结果,其中被称为标准化的第一、第二、第三、第四……第n对象子网络-交互干扰分数的所述结果还被称为O1-mSN1-n IFSCN1;
第九步骤,包括将用于所述子网络系统的所述标准化对象-子网络交互干扰分数O1-mSN1-n IFSCN1记录为数据库中的所述对象的描述符;
第十步骤,包括第八方法:使用所述对象-子网络交互干扰分数O1-mSN1-n IFSCN1和第十一过程,以用于确定所述对象的所述对象-子网络交互干扰分数之间的相似性并显示结果;
其中从包括分层聚类分析、主成分分析、向量机、k均值分析、轮廓相似性分析的组中选择第十一过程。
可以从包括以下的组中选择对象:社交网络的成员、金融网络的成员、生态网络的成员、处方药、非处方药物、药草、天然产品、阿育吠陀药物、中国传统药物、天然药物、细菌、藻类、有机和无机化学成分、食物、营养素、维生素、微生物、病毒、补充品、移动设备、患者、客户、社区、社区成员、金融工具、债券、公司、生理网络的成员、器官系统网络的成员、蜂窝网络的成员、组织网络的成员。
描述符可以用于确定由交互网络中的所述对象或人员诱发的信息流之间的相似性,并且其中可以从包括以下的组中选择所述交互网络:互联网、社交网络、生态网络、生物网络、流行病学网络、供应网络、需求网络、购物网络、电力网络、输电网络、制造网络、交通网络、通信网络、无线网络、金融网络、蛋白质网络、蜂窝网络、蜂窝通路、代谢网络、基因网络、生理网络、器官系统网络、蜂窝通信网络、细胞信令网络、蜂窝内通信网络、神经元网络、疾病网络、细胞器网络、细菌网络、病毒网络、卫生保健网络、安全网络、犯罪网络。
可以从包括以下的组中选择网络系统:流行病学网络、生物通信网络、蛋白质网络、蜂窝网络、蜂窝通路、代谢网络、基因网络、生理网络、器官系统网络、蜂窝通信网络、细胞信令网络、蜂窝内通信网络、神经元网络、疾病网络、细胞器网络、细菌网络、病毒网络。
可以从包括处方药、传统药物、药草、食物、天然产品、实验药物、阿育吠陀药物、微生物、感染源的组中选择对象。
可以从包括由可穿戴设备产生的测量值的组中选择同时发生测量值。
附图说明
图1示出了可用于实践所公开的实施例的方面的计算装置的框图;和
图2至图5说明了本文描述的示例性实施例。
具体实施方式
先前描述的方法不提供如本文所述的新颖描述符集合,并且不允许同时评估对象或人员对多个交互动态网络系统中的信息流的影响。
图2和图3说明了用于生成所公开实施例的新的描述符集合的方法的总体方案。然而,这些附图中示出的配置不应被认为是对所公开实施例的限制,而是作为用于构造新颖描述符集合的方法学的说明,这是因为本领域技术人员将会很好理解,附图中示出的和本文描述的步骤的序列可以以任何合适的顺序和以任何数量的不同方式重新布置。
在公开的实施例的至少一个方面中,本文所公开的技术可以在存储在计算机可读介质上的一个或多个程序的控制下由一个或多个计算机执行。图1示出了可用于实践所公开的实施例的方面的示例性计算装置100的框图。装置100可以包括存储在至少一个计算机可读介质102上的计算机可读程序代码,以用于实现和执行本文描述的处理步骤。计算机可读介质102可以是计算装置100的存储器。在替代方面中,计算机可读程序代码可以存储在装置100外部存储器中或远离装置100的存储器中。存储器可以包括磁性介质、半导体介质、光学介质、或由计算机可读和可执行的任何介质。计算装置100还可以包括用于执行存储在至少一个计算机可读介质102上的计算机可读程序代码的计算机处理器104。在至少一个方面中,计算装置100可以包括一个或多个输入或输出设备,通常称为用户界面106,该用户界面106可以相应地操作以允许到计算装置100的输入或以提供来自计算装置100的输出。在至少一个实施例中,如下面详细描述的,存储器可以包括一个或多个数据库130。
图2至图5示出了根据所公开的实施例的用于创建用于识别多个交互动态网络系统中的信息流的描述符集合的示例性方法。计算机处理器104和包括计算机可读程序代码的存储器102被配置为促使计算装置100至少执行用于创建本文所公开的描述符集合的方法。
参考图2和图3,用于创建所公开的实施例的描述符集合的方法的第一步骤是选择感兴趣的动态网络系统,被称为主网络系统。主网络系统可以从任何合适的网络系统中选择,该合适的网络系统包括但不限于互联网、社交网络、生态网络、生物网络、生物通信网络、流行病学网络、蛋白质网络、供应网络、需求网络、购物网络、电力网络、输电网络、制造网络、交通网络、通信网络、无线网络、金融网络、营养网络、蜂窝网络、蜂窝通路、代谢网络、基因网络、生理网络、器官系统网络、蜂窝通信网络、细胞信令网络、蜂窝内通信网络、神经元网络、疾病网络、细胞器网络、细菌网络、病毒网络、卫生保健网络、安全网络、犯罪网络。
下一步是选择识别主网络系统的主网络节点205的特性特征,主网络节点205创建调解信息传输的网络连通性或以其它方式提供所选主网络系统和次网络系统2101-210n之间的交互。所选特性特征可被称为第一所选特性特征。
可以从任何合适的主网络节点特征中选择第一所选特性特征,合适的主网络节点特征包括但不限于,交互网络系统的网络节点的专有名称、同义词或符号;与交互网络系统的网络节点相关联的测量值;与交互网络系统的网络节点相关联的多个测量值;交互网络的网络节点组的专有名称和同义词;交互网络系统的网络节点的符号以及交互网络系统的网络节点组的符号。
根据所公开的实施例的用于创建描述符集合的方法的下一步骤包括识别至少一个2101次网络系统,并且对于一些实现,能够与主网络系统的主网络节点205交互或与其交换信息的多个次网络系统2101-210n。
识别一个或多个次网络系统2101-210n包括随机选择存储在数据库中的随机所选交互网络的网络节点的特性特征的第一过程。随机所选交互网络的网络节点的随机所选特性特征可以被称为第二所选特性特征。
识别一个或多个次网络系统2101-210n还包括使用上面提到的第一所选特性特征和第二所选特性特征以用于确定数据库中的第一所选特性特征和第二所选特性特征的同时发生频率或同时发生测量值并记录结果的第二过程。同时发生频率通常可以指在两个网络节点中找到特性特征的发生次数,并且同时发生测量值可以指网络节点之间可能同时发生的一个或多个特性特征的量。
识别一个或多个次网络系统2101-210n还包括使用所记录的同时发生频率或同时发生测量结果以用于选择具有能够与所述主网络系统交互或与其交换信息的至少一个网络节点的一个或多个次网络系统2102-210n的第三过程。
次网络系统2101-210n可以从任何合适的网络系统中选择,合适的网络系统包括但不限于互联网、社交网络、生态网络、生物网络、营养网络、生物通信网络、流行病学网络、蛋白质网络、供应网络、需求网络、购物网络、电力网络、输电网络、制造网络、交通网络、通信网络、无线网络、金融网络、蜂窝网络、蜂窝通路、代谢网络、基因网络、生理网络、器官系统网络、蜂窝通信网络、细胞信令网络、蜂窝内通信网络、神经元网络、疾病网络、细胞器网络、细菌网络、病毒网络、卫生保健网络、安全网络、犯罪网络、军事网络、免疫网络、情报网络。
数据库130可以包括任何合适的数据库中的一个或多个,并且可以从以下中的一个或多个选择,但不限于:Medline数据库、PubMed数据库、EMBL数据库、世界传统医学专利数据库、中国传统医学数据库、补充和替代的医学数据库、维基百科、数字化出版物的合类、由监视系统收集的测量值、由生物监视系统收集的测量值、由诊断系统收集的测量值、由可穿戴设备收集的测量值、由可穿戴电子系统收集的测量值、由可穿戴传感器收集的测量值、由可穿戴诊断系统收集的测量值、通过众包收集的测量值、医疗记录数据库、不良事件报告系统数据库、DHARA数据库、Ayurveda卫生保健系统数据库。
根据所公开的实施例的方法的下一步骤包括将主网络系统细分成更小的子网络系统215。该细分基于主网络系统中的主网络节点205的识别,主网络节点205调解信息传输或以其它方式提供主网络系统和构造次网络系统2101-210n的网络节点220之间的交互。将主网络系统细分成更小的子网络系统215是通过以下完成的:选择构造主网络系统的主网络节点205的特性特征并且选择构造次网络系统2101-210n的网络节点220的特性特征,并随后使用所选主网络节点205和次网络节点220的特性特征以用于确定同时发生测量值或同时发生频率测量值并记录结果,同时发生测量值或同时发生频率测量值表征或指示上面提到的一个或多个数据库130中所选主网络节点205和次网络节点220之间的交互或信息交换。
使用同时发生测量值或同时发生频率测量值的细分步骤识别主网络系统的子网络系统215,子网络系统215能够与所选次网络系统2101-210n的一个或多个网络节点220交互或与其交换信息。可以使用多个次网络系统2101-210n迭代该步骤以影响将主网络系统细分成子网络系统215,其中每个子网络系统215包括能够与所选次网络系统2101-210n的网络节点220交互的有限数量的主网络节点205。主网络系统的每个子网络系统215具有特定数量的主网络节点205,并且该数量可以被称为子网络节点计数225,并且这些主网络节点205确定相应子网络系统215的动态拓扑结构,子网络系统215调解从主网络到所选次网络系统2101-210n的信息传输。
参考图3,根据所公开的实施例的创建新的描述符集合的另一步骤包括在第一选择中,识别能够与主网络系统的主网络节点205直接或间接地交互或者与其直接或间接地交换信息的对象300。该识别通过选择对象300的特性特征开始,随后确定对象的所选特性特征和主网络节点205的特性特征(构造在一个或多个数据库130中的主网络系统)之间的同时发生频率或同时发生测量值。应当理解,术语对象可以包括一个或多个生物活性剂、传染病、人员、或可以与一个或多个网络节点交互的任何其它项。
用于获得这些同时发生频率或同时发生测量值的合适方法包括:使用文本或数据挖掘工具以用于确定对象的所选特性特征与在一个或多个数据库130中找到的主网络系统的主网络节点205的选定特性特征共同发生的实例的数量,并记录结果。同时发生测量值也可以通过以下来获得:使用众包以用于确定对象的所选特性特征与主网络系统的主网络节点205的所选特性特征之间的同时发生频率测量值并记录结果。记录由电子设备产生的测量值也可以用于确定对象的所选特性特征和主网络系统的主网络节点205的所选特性特征之间的同时发生频率或同时发生测量值。同样地,测量对象对主网络系统的主网络节点205的性能的直接或间接影响的实验也可以用于确定对象的所选特性特征和主网络系统的主网络节点205的所选特性特征之间的同时发生频率或同时发生测量值。所述测量值被称为用于主网络系统的主网络节点205的对象关联同时发生频率或同时发生测量值。用于主网络系统的主网络节点205的所述对象关联同时发生频率或同时发生测量值用于选择主网络系统的子网络系统215(包括能够与所选对象交互的子网络节点)。同样地,用于主网络系统的主网络节点205的所述对象关联同时发生频率或同时发生测量值被用于选择能够与主网络的子网络节点交互的对象。
方法1本领域技术人员很好理解,识别和记录识别主网络的子网络节点的本体可用于数据挖掘。然后可以在第一过程中使用文本或数据挖掘工具并选择主网络的子网络节点的本体来确定影响所选主网络系统和所选次网络系统2101-210n之间的信息传输的对象容量,并且通过选择能够与所述子网络节点交互的对象的本体以用于确定所述子网络本体中的实例和所述数据库中的所述对象本体中的实例之间的同时发生频率或同时发生测量值,并记录所述同时发生频率或同时发生测量值的结果。
在第二过程中,选择用于所述同时发生频率或同时发生测量值的阈值,并且该阈值用于确定具有高于所述阈值的同时发生频率或同时发生测量值的主网络的子网络系统215中的子网络节点的数量并记录结果。所述结果被称为主网络的子网络系统215的对象可达子网络节点计数。所述对象可达子网络节点计数也被称为用于所述对象和所述主网络的所述子网络系统215的边缘密度测量值。用于所述对象和所述主网络的多个所选子网络系统215的边缘密度测量值被记录在数据库中。所述记录被称为基于边缘密度的对象描述符。所述基于边缘密度的对象描述符不具有测量或缩放的单位,并且提供对影响所选主网络和所选多个交互次网络系统之间的信息传输的对象、生物活性剂、传染病、人员的容量估计。所述基于边缘密度的对象描述符集合对确定所选对象之间的相似性并且对比较多个交互网络系统中的对象之间的信息流是有用的。
本发明的其它方面是通过确定用于所述主网络的所述子网络系统215的所述边缘密度测量值和所述子网络节点计数225之间的比率,使所述基于边缘密度的对象描述符集合标准化。所述比率确定包括步骤:选择对象关联边缘密度测量值的实例作为分子,并选择主网络的子网络系统215的子网络节点计数225的实例作为分母,然后计算并记录得到的节点计数比率。在替代实施例中,所述比率确定包括步骤:选择对象关联边缘密度测量值的实例作为分母,并且选择主网络的子网络系统215的子网络节点计数225的实例作为分子,然后计算并记录得到的节点计数比率。
用于所选子网络系统215的所述节点计数比率被聚合,并且用作影响所选主网络系统的所选子网络系统215和所选次网络系统2101-210n之间的信息传输的对象、生物活性剂以及传染病或人员的容量的估计。为了构造用于所选对象的基于边缘密度的描述符,将用于子网络系统215的对象的所述节点计数比率聚合并记录在数据库中。所述基于边缘密度的描述符用于比较影响多个交互网络系统中信息传输的对象、生物活性剂、传染病、人员的容量。此外,在分层聚类分析中使用所公开实施例的新的描述符集合不仅识别由“对象或人员”通过多个交互网络诱发的信息流的路由,而且识别在多个动态交互网络系统中诱发信息流的类似路由的对象、生物活性剂、传染病或人员的组。获取该信息对于预测由生物系统中和动态交互系统中的对象、生物活性剂、传染病或人员引发的响应是有用的。
方法2本发明的第二实施例公开了用于创建第二组新的描述符集合的第二方法的创建,该第二方法包括第一步骤中的能够与主网络系统的网络节点直接或间接地交互或与其直接或间接地交换信息的对象、生物活性剂、传染病或人员的识别。通过以下开始识别:选择对象、生物活性剂、传染病或人员的特性特征,随后确定对象、生物活性剂、传染病或人员的所选特性特征和网络节点的特性特征之间的同时发生频率或同时发生测量值并记录结果,该网络节点构造一个或多个数据库130中的主网络系统。
用于获得这些同时发生频率或同时发生测量值的适当方法包括使用文本挖掘工具以用于确定实例的数量并记录结果,在实例中,对象、生物活性剂、传染病或人员的所选特性特征与在一个或多个数据库130中找到的主网络系统的主网络节点205的所选特性特征共同发生。通过使用众包以用于确定对象的所选特性特征和主网络系统的主网络节点205的所选特性特征之间的同时发生频率测量值并记录结果,也可以获得同时发生测量值。
也可以使用由确定类似相关性的电子设备或实验(测量对象、生物活性剂、传染病或人员对主网络系统的主网络节点205的性能的直接或间接影响并记录结果)产生的测量值。
一旦获得了这些同时发生频率或同时发生测量值,就可以在主网络的各个子网络系统215中的每个子网络中识别和计数网络节点的数量,子网络系统215能够与所选对象、生物活性剂、传染病或人员交互或交换信息。节点计数可以被称为集中的子网络节点计数。在用于创建用于对象或人员的第二组新的描述符集合的第二方法中,累计并记录与主网络的子网络系统215的相应子网络节点相关联的对象或人员的同时发生频率或同时发生测量值,其中这些记录识别针对主网络的子网络系统215的每个子网络节点获得的用于所述对象或人员的同时发生频率测量值的总和。用于主网络的所述子网络节点计数的所述对象或人员的同时发生频率测量值的所述总和,被称为用于主网络的子网络系统215的所述对象或人员的信息密度测量值。用于主网络的子网络系统215的所述对象或人员的所述信息密度测量值提供影响所选主网络系统的子网络系统215与所选次网络系统2101-210n之间的信息传输的对象或人员的容量的估计。这些信息密度确定不具有测量或缩放的单位,因此针对主网络系统的子网络系统215获得的对象、生物活性剂、传染病、人员的信息密度确定可以被收集,并总计用作对象、生物活性剂、传染病、人员的第二新描述符集合,以用于跟踪由多个交互网络系统中的这些对象、生物活性剂、传染病或人员诱发的信息传输。此外,在分层聚类分析中使用所公开的实施例的第二新描述符集合,识别对象、生物活性剂、传染病或人员(诱发多个交互网络系统中的信息流的类似路由)的组和调节类似信息流的网络拓扑结构的组。
获得该信息对于预测由生物系统中的对象、生物活性剂、传染病或人员引发的响应是有用的。
作为所公开实施例的替代描述,用于产生对象或人员的新颖描述符的第一方法包括:
第一步骤,包括用于选择感兴趣的第一交互网络系统的网络节点的第一组特性特征的手段,所述第一步骤还包括使用所述第一交互网络系统的所述网络节点的所选特性特征,以用于创建所述第一交互网络系统的第一描述符集合。
特性特征可以从包括以下的组中选择:交互网络系统的网络节点的专有名称、同义词或符号;与交互网络系统的网络节点相关联的测量值;与交互网络系统的网络节点相关联的多个测量值;交互网络的网络节点组的专有名称和同义词;交互网络系统的网络节点的符号以及交互网络系统的网络节点组的符号。
可以从包括以下的组中选择交互网络系统:互联网、社交网络、生态网络、生物网络、流行病学网络、供应网络、需求网络、购物网络、电力网络、输电网络、制造网络、交通网络、通信网络、无线网络、金融网络、蛋白质网络、蜂窝网络、蜂窝通路、代谢网络、基因网络、生理网络、器官系统网络、蜂窝通信网络、细胞信令网络、蜂窝内通信网络、神经元网络、疾病网络、细胞器网络、细菌网络、病毒网络、卫生保健网络、安全网络、犯罪网络。
该方法可以包括第二步骤,所述第二步骤包括使用所述第一交互网络系统的所述第一描述符集合以用于选择第二、第三、第四……第n交互网络系统的第二手段,所述第二、第三、第四……第n交互网络系统与所述第一交互网络系统直接或间接地交互或者与所述第一交互网络系统直接或间接地交换信息。
第二手段可以包括:第一过程,用于随机选择数据库中的随机所选交互网络的网络节点的特性特征;第二过程,使用所述第一交互网络系统的所述第一描述符集合和所述随机所选交互网络系统的网络节点的所述随机所选特性特征,以用于确定所述第一描述符集合与所述数据库中的所述随机所选交互网络的网络节点的所述随机所选特性特征的同时发生频率或同时发生测量值,并记录结果;还包括第三过程,使用所述记录的结果,以用于选择具有能够与所述第一交互网络系统交互或与其交换信息的至少一个网络节点的第二、第三、第四……第n交互网络系统。
可以从包括以下的组中选择数据库:Medline数据库、PubMed数据库、EMBL数据库、世界传统医学专利数据库、中国传统医学数据库、补充和替代的医学数据库、维基百科、数字化出版物的合类、由监视系统收集的测量值、由生物监视系统收集的测量值、由诊断系统收集的测量值、由可穿戴设备收集的测量值、由可穿戴电子系统收集的测量值、由可穿戴传感器收集的测量值、由可穿戴诊断系统收集的测量值、通过众包收集的测量值、医疗记录数据库、不良事件报告系统数据库、DHARA数据库、Ayurveda卫生保健系统数据库。
用于确定同时发生频率或同时发生测量值的第二过程包括:选择第一描述符集合的实例和选择第二描述符集合的实例和选择数据库以及使用文本挖掘工具,以用于确定所述数据库中的第一描述符集合的实例与第二描述符集合的实例共同发生的频率并记录结果;同样地,确定同时发生测量值包括选择第一描述符集合的实例和选择第二描述符集合的实例和选择数据库以及使用工具,以用于识别与所述数据库中的第一描述符的实例和第二描述符集合的实例相关的测量值并记录结果。
该方法还可以包括第三步骤,所述第三步骤包括用于选择所述第二、第三、第四……第n交互网络系统的网络节点的第二、第三、第四……第n组特性特征的第三方法,该第三步骤还包括使用所述第二、第三、第四……第n交互网络系统的所述网络节点的所述第二、第三、第四……第n组特性特征,以用于创建在所述第二步骤中所选的所述第二、第三、第四……第n交互网络系统的第二、第三、第四……第n描述符集合。
该方法可以包括包括第四步骤,所述第四步骤包括第四方法:使用所述第一交互网络系统的所述第一描述符集合和使用所述第二、第三、第四……第n交互网络系统的所述第二、第三、第四……第n描述符集合和所述第二步骤的所述第二过程以及所述数据库,以用于选择所述第一交互网络系统的描述符集合的子集,所述描述符集合的子集描述了与所述第二、第三、第四……第n交互网络系统的网络节点直接或间接地交互或者与其直接或间接地交换信息的所述第一交互网络系统的网络节点的子集。
该方法还可以包括第四过程,用于确定所述第一交互网络系统的所述第一、第二、第三、第四……第n子网络系统中的网络节点的数量并且记录结果,其中所述结果可以被称为所述第一交互网络系统的所述子网络系统的第一、第二、第三、第四……第n子网络节点计数,还被称为SN1-nCN1。
该方法还可以包括第五步骤,第五步骤包括用于选择与所述第一交互网络系统直接或间接地交互或者与其直接或间接地交换信息的有限的一组被称为O1-m的对象的第五方法,其中所述第五方法包括第五过程:使用所述第一交互网络系统的所述第一描述符集合和使用随机所选对象的随机所选特性特征和所述第二步骤的所述第二过程以及所述数据库,以用于确定所述数据库中的所述第一描述符集合和所述随机所选对象的所述随机所选特性特征的同时发生频率或同时发生测量值。
该方法还可以包括选择同时发生频率测量值或同时发生测量阈值并使用所述阈值,以用于选择用于所述数据库中所述描述符集合的所述同时发生频率测量值或所述同时发生测量值的发生率,并记录结果。
该方法还可以包括使用所述所选同时发生频率测量值或同时发生测量值,以用于选择能够与所述第一交互网络系统的网络节点中的至少一个或多个交互或与其交换信息的对象,并将所述所选对象记录在数据库中。
可以从包括以下的组中选择对象:社交网络的成员、金融网络的成员、生态网络的成员、处方药、非处方药物、药草、天然产品、阿育吠陀药物、中国传统药物、天然药物、细菌、藻类、有机和无机化学成分、食物、营养素、维生素、微生物、病毒、补充品、移动设备、患者、客户、社区、社区成员、金融工具、债券、公司、生理网络的成员、器官系统网络的成员、蜂窝网络的成员、组织网络的成员。
该方法还可以包括第六步骤,该第六步骤包括选择所述所选对象的第一组特性特征和使用所述所选对象的所述特性特征作为所述所选对象的第一间歇性描述符集合。
可以从包括以下的组中选择所述对象的第一组特性特征:对象的专有名称和同义词、对象的符号、对象的物理性质的合类、与对象相关联的测量值的收集、数据库中的对象的唯一标识符。
该方法还可以包括第七步骤,所述第七步骤包括第六方法:使用所述对象的所述第一间歇性描述符集合和使用所述第一交互网络系统的所述第一、第二、第三、第四……第n子网络描述符集合和使用所述第二步骤的所述第二过程以及使用所述数据库,以用于识别能够与所述第一交互网络系统的所述第一、第二、第三、第四……第n子网络系统的至少一个网络节点直接或间接地交互或者与其直接或间接地交换信息的对象,并记录结果。
第六方法可以包括过程:使用所述第一交互网络系统的所述第一、第二、第三、第四……第n子网络的所述第一组间歇性对象描述符和所述第一、第二、第三、第四……第n组子网络描述符以及所述第二步骤的所述第二过程以及所述数据库,以用于确定所述数据库中的所述第一交互网络系统的所述子网络系统的所述第一组间歇性对象描述符和所述第一、第二、第三、第四……第n子网络描述符的同时发生频率或同时发生测量值,并记录结果。
该方法还可以包括选择所述同时发生频率测量值或同时发生测量值的阈值,以用于选择能够与所述对象交互或交换信息的所述第一交互网络系统的所述第一、第二、第三、第四……第n子网络系统中的网络节点的至少一个或多个。该方法还可以包括第十过程:用于对用于所述子网络系统和所述对象的所述所选网络节点的数量进行计数,并记录结果,其中所述结果被称为第一、第二、第三、第四……第n对象-子网络-交互节点计数,下文中还被称为O1-n SN1-n ICN1。
该方法还可以包括第八步骤,所述第八步骤包括第七方法:使用所述对象的被称为O1-n SN1-n ICN1的所述对象-子网络-交互节点计数作为分子,并使用所述第一交互网络系统的所述子网络的被称为SN1-nCN1的所述子网络-节点计数作为分母,以用于确定所述子网络节点计数之间的比率,并记录用于所述对象O1-m和所述子网络系统SN11-n的结果,其中被称为标准化的第一、第二、第三、第四……第n对象子网络-交互干扰分数的所述结果还被称为O1-mSN1-n IFSCN1。
该方法还可以包括第九步骤,其包括将用于所述子网络系统的所述标准化对象-子网络交互干扰分数O1-mSN1-n IFSCN1记录为数据库中的所述对象的描述符。
该方法还可以包括第十步骤,所述第十步骤包括第八方法:使用所述对象-子网络交互干扰分数O1-mSN1-n IFSCN1和第十一过程,以用于确定所述对象的所述对象-子网络交互干扰分数之间的相似性并显示结果。
可以从包括分层聚类分析、主成分分析、向量机、k均值分析、轮廓相似性分析的组中选择第十一过程。
根据所公开的实施例的替代描述,用于产生对象或人员的新描述符的方法可以包括从包括以下的组中选择的对象:社交网络的成员、金融网络的成员、生态网络的成员、处方药、非处方药物、药草、天然产品、阿育吠陀药物、中国传统药物、天然药物、细菌、藻类、有机和无机化学成分、食物、营养素、维生素、微生物、病毒、补充品、移动设备、患者、客户、社区、社区成员、金融工具、债券、公司、生理网络的成员、器官系统网络的成员、蜂窝网络的成员、组织网络的成员。
描述符可以用于确定由交互网络中的所述对象或人员诱发的信息流之间的相似性,并且其中可以从包括以下的组中选择所述交互网络:互联网、社交网络、生态网络、生物网络、流行病学网络、供应网络、需求网络、购物网络、电力网络、输电网络、制造网络、交通网络、通信网络、无线网络、金融网络、蛋白质网络、蜂窝网络、蜂窝通路、代谢网络、基因网络、生理网络、器官系统网络、蜂窝通信网络、细胞信令网络、蜂窝内通信网络、神经元网络、疾病网络、细胞器网络、细菌网络、病毒网络、卫生保健网络、安全网络、犯罪网络。
同样地,对象描述符可以用于确定对象与人员之间的相似性
可以从包括以下的组中选择网络系统:流行病学网络、生物通信网络、蛋白质网络、蜂窝网络、蜂窝通路、代谢网络、基因网络、生理网络、器官系统网络、蜂窝通信网络、细胞信令网络、蜂窝内通信网络、神经元网络、疾病网络、细胞器网络、细菌网络、病毒网络。
可以从包括处方药、传统药物、药草、食物、天然产品、实验药物、阿育吠陀药物、微生物、感染源的组中选择对象。
可以从包括由可穿戴设备产生的测量值的组中选择同时发生测量值。
当结合附图阅读时,鉴于前面的描述,各种修改和改编对于相关领域的技术人员来说可以变得显而易见。然而,所公开的实施例的教导的所有这样的和类似的修改仍将落入所公开的实施例的范围内。
此外,可以使用示例性实施例的一些特征来获利而无需相应使用其它特征。因而,前面的描述应该被认为仅仅是对所公开的实施例的原理的说明,而不是对其的限制。
虽然本文已经描述了所公开的实施例的方面和变体,但是本领域技术人员应该理解,在不脱离所公开的实施例的范围的情况下可以做出各种变化并且等同物可以替代其元素。此外,技术人员将认识到来自不同实施例的各个方面和特征的可交换性。类似地,所描述的各种方法步骤和特征以及用于每个这样的方法和特征的其他已知等同物可以由本领域普通技术人员中的一个进行混合和匹配,以根据本公开的原理构造附加装配和技术。另外,在不脱离所公开实施例的实质范围的情况下,可以做出许多修改以使特定的情况或材料适应于所公开的实施例的教导。因此,意图是所公开的实施例不限于作为用于实现所公开的结构和技术而设想的最佳模式而公开的任何特定实施例,而是所公开的实施例将包括本文描述的所有特征。
以下实验提供了本文描述的实施例的实际应用的示例。在以下实验显示了本文引用的示例的样本部分。
实验1
创建用于1456个疾病术语导出蛋白质子网络的节点本体的方法
使用方法2中的第二过程导出示例A1中所示的子网络本体。因此,2211种疾病的名称(识别次网络中的网络节点)和14000个基因符号(识别主网络的14000个蛋白质网络节点)被用于识别2015版Medline数据库(包括大约2400万份Medline摘要记录)中的疾病名称实例和基因符号实例的同时发生频率。用于确定这些同时发生频率的文本挖掘工具已被康涅狄格大学许可。记录得到的同时发生频率,并选择同时发生频率阈值5以用于把构成主网络的网络节点分成蛋白质子网络。同时发生频率阈值的选择允许控制子网络中的网络节点的数量。关于数据挖掘应用,平均包括少于100个网络节点和至少5个网络节点的子网络优选地用于构造基于信息密度的描述符集合。在该实验中,通过识别Medline数据库中具有多于5个与所选疾病术语共同发生的实例的基因符号,并提供具有至少两个网络节点的子网络来选择1456个蛋白质子网络(示例A1)。作为质量控制,使用STRING数据库(STRING v10:Nucleic Acids Res.2015Jan;43:D447-52)检查了蛋白质子网络拓扑结构。如果需要,该质量控制步骤还可以用于通过选择在前述同时发生频率分析中识别的子网络节点来减少蛋白质子网络中文本挖掘导出的网络节点的数量,实现了独立的蛋白质交互数据库中的蛋白质-蛋白质交互分数的最高置信水平(例如在String v 10中,该分数是0.9)。
使用用于6637种处方药、药草以及天然药物的1456个信息密度测量值和用于1456个疾病术语导出蛋白质子网络的本体来创建对象描述符的方法(示例A)
与6637种处方药、药草以及所选传统药物(本文称为对象)相关联的并且存在于存储在计算机上的数据库中的名称和同义词被用于使用方法2来确定6637个对象的信息密度描述符和识别示例A1中所示的1456个蛋白质子网络的子网络节点的本体。此外,2015版的大约2400万份Medline摘要(存在于同一台计算机上)和康涅狄格大学许可的文本挖掘算法被用来根据方法2确定用于1456个蛋白质子网络中的每个的每种药物、药草以及传统药物的信息密度。将得到的信息密度记录在数据库中(见示例A2)。
用于确定对象描述符之间的相似性的方法
这1456个蛋白质子网络的这6637个对象的并且在先前步骤中获得(见示例A2)的信息密度测量值被用作UPGMA分层聚类分析中的对象描述符,UPGMA分层聚类分析采用相似性测量余弦相关性并使用“Spotfire软件”以用于数据分析和数据可视化。得到的相似性矩阵使用1456个基于疾病的蛋白质子网络中的这6637个对象的信息密度测量值之间的定序原则相似性来识别1456个蛋白质子网络之间的重叠。这种相似性矩阵的构造识别由这1456个蛋白质子网络中的生物活性剂诱发的信息流,从而识别药剂之间的药理等效性。例如,检查紫红曲霉的药理学相似性表明了大米发酵产品“紫红曲霉”与一组由苯扎贝特、依泽替米贝、非诺贝特、吉非贝齐、烟酸以及维多灵(一种依泽替米贝和辛伐他汀的药物组合)组成的降脂剂共享较高的基于信息密度的描述符相似性。这种降脂剂组在0.965的聚类相似性值的置信度内共享描述符相似性,其中1将是最高的相似性值,而0是最低的。
起初,该结果看起来令人惊讶,因为已经从紫红曲霉(Thai Journal ofPharmaceutical Sciences 33(1):39-46 2009年1月)中分离的洛伐他汀与西立伐他汀和美伐他汀共享较高的信息流相似性,并且与紫红曲霉有较少的扩展。然而,使用1459个疾病网络的信息密度作为对象描述符的新描述符的聚类表明,紫红曲霉具有不同于纯洛伐他汀的整体药理学概要。这种观察表明构成这种天然药物的附加生物活性成分有助于其降脂药理学概要。这种观察确实是正确的已经在别处公布(J.Agric.Food Chem,2010,58(24),第12703-12709页)。为了确定通过聚类新的描述符集合获得的结果的鲁棒性,使用两个基于附加信息密度的对象描述符集合来重复实验。第一次重复实验(实验2)使用信息密度测量值作为来源于975MedDRA蛋白质子网络的对象描述符,并且第二次重复实验(实验3)使用441个来源于441个基于生理学的蛋白质子网络的信息密度测量值作为对象描述符。另外,通过将对象添加到分析中来重复这三个实验(1-3)。
实验2
创建用于975个MedDRA术语导出蛋白子网络的节点本体的方法
使用方法2中的第二过程导出示例B1中所示的子网络本体并且在实验1中进行描述。因此,2285个MedDRA术语的名称(识别次网络中的网络节点)和14000个基因符号(识别主网络的14000个蛋白质网络节点)被用于识别2015版的Medline数据库(包括大约2400万条记录的Medline摘要)中的MedDRA术语实例和基因符号实例的同时发生频率。用于确定这些同时发生频率的文本挖掘工具已被康涅狄格大学许可。记录得到的同时发生频率,并选择同时发生频率阈值5以用于把构成主网络的网络节点分成975个蛋白质子网络。因此,获得了975个蛋白质子网络,其包括具有多于5个与Medline数据库中的所选MedDRA术语共同发生的实例的基因符号。作为质量控制,使用STRING数据库(STRING v10:Nucleic AcidsRes.2015Jan;43:D447-52)检查这些获得的子网络。该质量控制步骤还允许通过选择子网络节点来减少网络节点的数量,通过具有最高置信水平(0.9)的蛋白质-蛋白质交互分数的同时发生频率分析获得子网络节点。
使用用于6943种处方药、药草以及天然药物的975个信息密度测量值和用于975个MedDRA术语导出蛋白质子网络的本体来创建对象描述符的方法(示例B)
与6943种处方药、药草以及所选传统药物(本文称为对象)相关联的并且存在于存储在计算机中的数据库中的名称和同义词被用于使用方法2来确定6943个对象的信息密度描述符和识别示例B1中所示的975个蛋白质子网络的子网络节点的本体。此外,2015版的大约2400万份Medline摘要(存在于同一台计算机上)和康涅狄格大学许可的文本挖掘算法被用来根据方法2确定用于975个蛋白质子网络中的每个的每种药物、药草以及传统药物的信息密度。将得到的信息密度记录在数据库中(见示例B2)。
用于确定对象描述符之间的相似性的方法
这975个蛋白质子网络的这6943个对象的并且在先前步骤中获得(见示例B2)的信息密度测量值被用作UPGMA分层聚类分析中的对象描述符,UPGMA分层聚类分析采用相似性测量余弦相关性并使用“Spotfire软件”以用于数据分析和数据可视化。得到的相似性矩阵使用975个基于MedDRA的蛋白质子网络中的这6943个对象的信息密度测量值之间的定序原则相似性来识别975个蛋白质子网络之间的重叠。这种相似性矩阵的构造识别由这975个蛋白质子网络中的生物活性剂诱发的信息流,从而识别药剂之间的药理等效性。此外,识别与紫红曲霉共享MedDRA信息密度描述符相似性的生物活性物质表明,该大米发酵产品与一组由苯扎贝特、依泽替米贝、非诺贝特、吉非贝齐、烟酸以及维多灵(一种依泽替米贝和辛伐他汀的药物组合)组成的降脂剂共享较高的描述符相似性。这种降脂剂组在0.973的聚类相似性值的置信度内共享描述符相似性,其中1将是最高的相似性值,而0是最低的。
实验3
创建用于441个生理学术语导出蛋白子网络的节点本体的方法(示例C)
使用方法2中的第二过程导出示例C1中所示的子网络本体并且在实验1中进行描述。因此,728个生理学术语的名称(识别次网络中的网络节点)和5400个基因符号(识别Medline数据库中最经常研究的主网络的5400个蛋白质网络节点)被用于识别2015版Medline数据库(包括大约2400万条记录的Medline摘要)中的生理学术语实例和基因符号实例的同时发生频率。用于确定这些同时发生频率的文本挖掘工具已被康涅狄格大学许可。记录得到的同时发生频率,并选择同时发生频率阈值5以用于把构成主网络的网络节点分成441个蛋白质子网络。因此,这些441个蛋白质子网络包括具有多于5个与Medline数据库中的所选生理学术语共同发生的实例的基因符号。作为质量控制,使用STRING数据库(STRING v10:Nucleic Acids Res.2015Jan;43:D447-52)检查这些获得的子网络。该质量控制步骤还允许通过选择子网络节点来减少网络节点的数量,通过具有最高置信水平(0.9)的蛋白质-蛋白质交互分数的同时发生频率分析获得子网络节点。
使用用于3431种处方药、药草以及天然药物的441个信息密度测量值和用于441个生理学术语导出蛋白质子网络的本体来创建对象描述符的方法(实例C)
与7420种处方药、药草以及所选传统药物(本文称为对象)相关联的并且存在于存储在计算机中的数据库中的名称和同义词被用于使用方法2来确定7420个对象的信息密度描述符和用于441个生理学术语导出蛋白质子网络的本体(示例C1)。此外,2015版的大约2400万份Medline摘要(存在于同一台计算机上)和康涅狄格大学许可的文本挖掘算法被用来根据方法2确定用于441个蛋白质子网络中的每个的每种药物、药草以及传统药物的信息密度。选择5的信息密度阈值提供用于3431个对象的信息密度描述符,每个描述符由441个信息密度测量值组成(见示例C2)。
用于确定对象描述符之间的相似性的方法
这3431个对象(示例C2)的信息密度测量值被用作UPGMA分层聚类分析中的对象描述符,UPGMA分层聚类分析采用相似性测量余弦相关性并使用“Spotfire软件”以用于数据分析和数据可视化。得到的相似性矩阵使用441个生理学术语导出蛋白质子网络中的这3431个对象的信息密度测量值之间的定序原则相似性来识别441个蛋白质子网络之间的重叠。这种相似性矩阵的构造识别由这441个蛋白质子网络中的生物活性剂诱发的信息流,从而识别药物之间的药理等效性。此外,识别与紫红曲霉共享信息密度描述符相似性的生物活性物质表明,该大米发酵产品与一组再次由苯扎贝特、依泽替米贝、非诺贝特、吉非贝齐、烟酸以及维多灵(一种依泽替米贝和辛伐他汀的药物组合)组成的降脂剂共享较高的描述符相似性。这种降脂剂组在0.977的聚类相似性值的置信度内共享描述符相似性,其中1将是最高的相似性值,而0是最低的。
实验4
第四个实验涉及将695个对象和相关的基于疾病蛋白质子网络的信息密度描述符添加到实验1所描述的分析中。该扩大的描述符集合的聚类和存在于包括大米发酵产品(紫红曲霉)的组中(聚类相似性值0.97的置信度)的对象的识别显示,在第三个实验中识别的该组包括与实验1和2中识别的降脂剂的组(由苯扎贝特、依泽替米贝、非诺贝特、吉非贝齐、烟酸以及维多灵组成)相同。
实验5
第五个实验涉及将400个对象和相关的基于medDRA蛋白质子网络的信息密度描述符添加到实验2所描述的分析中。这些描述符的聚类和存在于包括大米发酵产品(紫红曲霉)的组中(聚类相似性值0.969的置信度)的对象的识别显示,该组包括与实验1和2中识别的降脂剂的组(即苯扎贝特、依泽替米贝、非诺贝特、吉非贝齐、烟酸以及维多灵)相同。
实验6
第六个实验涉及将3431个对象和用于基于441个生理蛋白质子网络的相关的441个信息密度测量值(作为描述符)添加到实验3所描述的分析中。这7420个描述符的聚类和存在于包括大米发酵产品(紫红曲霉)的组中(聚类相似性值0.983的置信度)的对象的识别显示,该组包括与实验1和2中识别的降脂剂的组(即苯扎贝特、依泽替米贝、非诺贝特、吉非贝齐、烟酸以及维多灵)相同。
通过对基于信息密度的对象描述符(实验1-6)进行聚类所产生的结果的再现性显示了,本发明的新颖描述符集合具有将生物活性成分与不均匀的组合物进行比较的效用。利用制药药物发现中使用的对象描述符来进行这些比较是不可能的。此外,由于利用新颖描述符获得的相似性是可量化的,因此本发明的描述符可用于药理学、医学和健康研究以及与相关产品开发相关联的活动中。
实验7
创建用于1652个生理学术语导出疾病子网络的节点本体的方法
使用方法2中的第二过程导出示例D1中所示的子网络本体。因此,9350种疾病的名称(识别次网络中的网络节点)和728种生理现象的名称(识别三级网络的728个网络节点)被用于识别2015版Medline数据库(包括大约2400万条记录的Medline摘要)中的疾病名称实例和生理现象名称实例的同时发生频率。用于确定这些同时发生频率的文本挖掘工具已被康涅狄格大学许可。记录得到的同时发生频率,并选择同时发生频率阈值5以用于把构成主网络的网络节点分成疾病子网络。计数和记录具有高于所选阈值的同时发生频率的得到的疾病子网络的网络节点数量。关于与生物活性物质相关联的信息的挖掘,用于平均包括少于100个网络节点和至少5个网络节点的子网络的本体优选地用于构造基于信息密度的描述符集合。因此,通过识别生理现象(具有超过5个与Medline数据库中的所选疾病术语共同发生的实例并且识别相关疾病子网络(具有至少三个但少于42个基于生理学术语的网络节点)中的节点)的数据来选择用于1652个疾病子网络的本体(示例D1)。
使用用于8955种处方药、药草以及天然药物的1652个信息密度测量值和使用1652个生理学术语导出疾病子网络的本体来创建对象描述符的方法(示例D)
与12700种处方药、药草以及所选传统药物(本文称为对象)相关联的并且存在于存储在计算机上的数据库中的名称和同义词被用于使用方法2来确定12700个对象的信息密度描述符和识别示例D1中示出的1652个疾病子网络的子网络节点的本体。此外,2015版的大约2400万份Medline摘要(存在于同一台计算机上)和康涅狄格大学许可的文本挖掘算法被用来根据方法2确定用于1652个疾病子网络中的每个的每种药物、药草以及传统药物的信息密度。将得到的信息密度记录在数据库中(见示例D2)。
用于确定对象描述符之间的相似性的方法
这1652个疾病子网络的这8955个对象的并且在先前步骤中获得(见示例D2)的信息密度测量值被用作UPGMA分层聚类分析中的对象描述符,UPGMA分层聚类分析采用相似性测量余弦相关性并使用“Spotfire软件”以用于数据分析和数据可视化。得到的相似性矩阵使用1652个基于生理学术语的疾病子网络中的这8955个对象的信息密度测量值之间的定序原则相似性来识别1652个疾病子网络之间的重叠。这种相似性矩阵的构造识别1652个疾病子网络中的这些生物活性剂的信息密度。例如,检查药理学活性剂(存在于聚类相似性值0.971的置信度中并且包括大米发酵产品(紫红曲霉))的组表明,“紫红曲霉”与降脂剂的组(包括苯扎贝特、依泽替米贝、吉非贝齐、烟酸、辛伐他汀、阿托伐他汀氟伐他汀、普伐他汀罗苏伐他汀和别嘌呤醇)共享描述符相似性。
实验8
创建472解剖术语导出生理网络的节点本体的方法
使用方法2中的第二过程导出示例E1中所示的子网络本体。因此,由1159个MESH术语(识别次网络中的网络节点)和728个生理现象的名称(识别三级网络的728个网络节点)组成的解剖本体被用于获得2015版Medline数据库(包括大约2400万条记录的Medline摘要)中的解剖本体术语实例和生理现象名称实例的同时发生测量值。用于确定两个本体中的所有术语的同时发生测量值的文本挖掘工具已被康涅狄格大学许可。记录得到的同时发生测量值,并选择5的同时发生测量阈值以用于识别表征构成生理子网络的网络节点的组织术语。这个同时发生测量阈值也用于识别和记录生理子网络中高于该阈值的网络节点的数量。这些子网络节点计数的记录用于识别包括3到200个子网络节点之间的472个子网络。表征这些子网络节点的网格术语被选择用于构造用于472个生理子网络的本体,该本体将被用在根据方法1的构造描述符集合的构造中(这472个子网络的2个节点计数在示例E2中示出)。
使用用于16个对象(由药草、三氯生以及营养素组成)的边界密度测量值和使用用于472个解剖术语导出生理网络的本体来创建对象描述符的方法(示例E1)
6种药草、三氯生以及10种营养素(本文称为对象)的并且存在于计算机上存储的数据库中的本体被用于使用方法1来确定16种对象的边缘密度描述符和表征472个生理网络的子网络节点的本体(示例E1所示)。此外,2015版的大约2400万份Medline摘要(存在于同一台计算机上)和康涅狄格大学许可的文本挖掘算法被用于获得用于对象的每个实例和子网络节点(组成472个生理网络中的一个)的每个实例的同时发生测量值,并且记录这些结果。选择5的同时发生测量阈值,并选择对象的实例以用于利用高于该阈值的同时发生度测量值来计数472个子网络中的每个的网络节点的数量。针对对象本体中的所有对象重复此步骤。对于每个对象,利用高于该阈值的同时发生测量值记录472个子网络中的每个的网络节点的数量。被称为这16个对象的边缘密度测量值(示例E3)的这些记录被用作这些对象的描述符集合。这些描述符可以通过选择针对对象的实例和子网络的实例获得的边缘密度测量值并且选择与所选子网络相关联的子网络节点计数的测量值并且计算这些测量值之间的比率来进行进一步转换。示例E4中显示了这种转换的示例。
用于确定对象描述符之间的相似性的方法
对于这472个生理学子网络的这16个对象的并且在先前步骤中获得(见示例E3)的边缘密度测量值被用作UPGMA分层聚类分析中的对象描述符,UPGMA分层聚类分析采用相似性测量余弦相关性并使用“Spotfire软件”以用于数据分析和数据可视化。使用472个基于解剖术语的生理学子网络中的这16个对象的边缘密度测量值之间的定序原则相似性,得到的相似性矩阵识别472个生理学子网络之间的重叠。该相似性矩阵的构造识别472个生理子网络中的这16种生物活性剂的边缘密度。
实验9
创建用于2420个MedDRA术语导出疾病子网络的节点本体的方法
使用方法2中的第二过程导出示例F1中所示的子网络本体。因此,9350种疾病的名称(识别次网络中的网络节点)和2285个MedDRA术语疾病的名称和同义词(识别三级网络中的网络节点)用于识别和记录2015版Medline数据库(包括大约2400万条记录的Medline摘要)中的疾病名称实例和MedDRA术语名称和同义词实例的同时发生测量值。用于确定这些同时发生测量值的文本挖掘工具已被康涅狄格大学的许可。记录得到的同时发生测量值。选择20的同时发生测量频率阈值以用于识别表征网络节点(构成所选次疾病网络的子网络)的MedDRA术语。利用高于所选阈值的同时发生频率来计数和记录得到的疾病子网络的网络节点的数量。关于与生物活性物质相关联的信息的挖掘,用于平均包括少于300个网络节点和至少3个网络节点的子网络的本体优选地用于构造基于信息密度的描述符集合。因此,F1中所示的本体对于利用所需数量的网络节点来识别本体子集是有用的。这些本体子集对于根据方法1和2构造描述符很有用。
示例
实验1,示例A1,1456个疾病网络的所选示例
DIS_NTW_肺水肿|ACTIN|NODAL|TNF|C3|CRP|CS|PC|MB|ACE|RHO|HP|COIL|CAST|SRC|NOS2|CAD|F2|MPO|ATM|MSC|RHOA|PAH|RPE|NOS3|MAL|PVR|CPE|CXCL1|AQP1|AQP5|
DIS_NTW_波吉特淋巴瘤|CD4|ACTIN|NODAL|TNF|C3|FAS|CP|BAX|GC|SRC|CASP3|CD40|TP53|HLA-A|HLA-B|CD44|STAT1|MYC|CDKN1A|EFS|BCL2|BCL2L1|CD19|CPM|CD38|BCR|CD22|LYN|BCL6|CR2|ID3|
DIS_NTW_基底细胞癌|ACTIN|FAS|EGFR|MB|BAX|STAT3|CD34|TP53|PTGS2|PCNA|CXCR4|VDR|MDM2|GSTM1|GSTT1|PALM|GSTP1|MAL|BCL2|SHH|MCC|GLI1|ERCC2|SMO|GLI2|GLI3|MC1R|PTCH1|PHLDA1|PTCH2|
DIS_NTW_念珠菌病|CD4|TNF|C3|KIT|CS|PC|TG|GC|TH|STAT3|TLR4|AES|BID|FOXP3|ARC|TLR2|STAT1|NNT|CA3|OTC|AIRE|S100A9|S100A8|CDR2|CDR1|DEFB4A|AMPH|CARD9|
DIS_NTW_酒精依赖|CD4|AR|COPE|PRL|BDNF|TRH|ADA|FH|NPY|COMT|SLC6A4|CYP2E1|ALDH2|DRD2|SLC6A3|DRD4|ALDH1A1|NKX2-1|ADH1B|TOR1A|ADH1C|THAP1|OPRM1|SGCE|GABRA2|ANKK1|CAMK2A|
DIS_NTW_中耳炎|CD4|TNF|C3|CRP|FAS|CP|TG|AR|TH|SDS|HP|TLR4|C2|CAST|BID|NOS2|TLR2|MPO|NHS|NPS|GPT|MYD88|NNT|MUC5AC|ABR|OMP|SPN|MUC5B|PAX9|
DIS_NTW_肾纤维化|ACTIN|EGFR|TG|ACE|BAX|STAT3|CD68|NOS2|HGF|CD44|CCL2|TGFB1|MSC|SP1|RHOA|MMP2|ANG|SMAD3|CTGF|SIRT1|SMAD2|SMAD4|SPP1|SMAD7|TEC|ACE2|S100A4|BMP7|COL4A3|HK2|
DIS_NTW_痣|ACTIN|NODAL|KIT|FAS|EGFR|MB|POLE|CD68|TP53|PCNA|SON|BRAF|RPE|CDK4|PALM|CDKN2A|NF1|HRAS|SHH|SLN|PAM|FGFR3|GLI1|NRAS|SMO|MITF|MLANA|MC1R|PTCH1|AMN|
DIS_NTW_腹主动脉瘤|ACTIN|TNF|CRP|CS|CP|PC|EGFR|ACE|CD68|COIL|CAST|CD40|PTGS2|CAD|TF|MTHFR|MPO|NHS|CCL2|APOE|TAT|MMP2|IL10|ANG|MMP9|SACS|SERPINE1|AAAS|LRP1|
DIS_NTW_乳糜泻|CD4|ACTIN|TNF|KIT|FAS|PC|TG|MB|SDS|HP|TLR4|PTH|FOXP3|HLA-A|HLA-B|HLA-DRB1|CD14|AGA|CTLA4|HLA-DQB1|HFE|TPO|ACD|OAT|MICA|HLA-DQA1|IL15|IL12A|RGS1|
DIS_NTW_截瘫|C3|TG|ACE|TH|POLE|HP|COPE|COIL|C2|C6|ATM|RPE|MBP|C5|C7|FES|L1CAM|ALS2|PLP1|SPG11|SPG7|BICD2|BSCL2|CYP7B1|AFG3L2|ATL1|LHB|
DIS_NTW_胆管炎|CD4|ACTIN|NODAL|TNF|CRP|FAS|CP|PC|AR|TLR4|CAST|CD40|PTS|FOXP3|PCNA|HLA-B|HLA-DRB1|ABO|ACR|CFTR|PDC|HLA-C|AIP|MICA|DDC|CLDN1|ABCB4|DLAT|
DIS_NTW_肌肉萎缩|ACTIN|TG|MB|BAX|AR|CASP3|SON|C6|C5|CBS|DMD|C7|MOS|PGD|GEM|SOD1|SMN2|TRPV4|SV2A|MAP1B|SNRPN|BICD2|GARS|IGHMBP2|
DIS_NTW_卡波济氏肉瘤|CD4|ACTIN|NODAL|TNF|C3|FAS|BAX|MTOR|STAT3|CD34|SRC|VEGFA|HGF|HLA-A|HLA-B|ARC|TAT|CASP8|RAC1|HLA-C|CD19|CFLAR|CXCR2|CDK6|OSM|IL6ST|SLK|RBPJ|EGLN2|
DIS_NTW_滑膜炎|CD4|TNF|C3|CRP|CS|GC|RHO|STAT3|TLR4|CD68|CAST|VEGFA|PTGS2|HLA-DRB1|ARC|CD14|MSC|ACR|PALM|HMGB1|IL1RN|GCA|TNFRSF11B|TNFSF11|CD163|PIP|COMP|LARS|
DIS_NTW_肺栓塞|NODAL|CRP|CS|CP|PC|EGFR|MB|HP|COIL|CAST|AES|APC|BID|PTS|SI|CAD|MTHFR|NHS|TAT|SCT|PAH|PVR|NNT|CPE|OAT|MIP|SERPINE1|FABP3|
DIS_NTW_浸润性癌|CD4|ACTIN|NODAL|EGFR|BAX|AR|CD68|CD34|APC|TP53|NOS2|PTGS2|PCNA|CD44|MYC|BRAF|MUC1|ERBB2|BRCA1|BRCA2|SMAD4|MUC5AC|SLN|MUC2|TP63|ESD|PGR|HGD|MUC6|
DIS_NTW_视网膜脱落|CD4|ACTIN|TNF|C3|FAS|CS|PC|POLE|CD68|C2|VEGFA|PCNA|ARC|ERG|GFAP|CLOCK|RPE|PVR|ACD|STAR|VHL|ECD|SPR|SRF|COL2A1|NDP|RLF|
DIS_NTW_骨髓纤维化|KIT|MTOR|STAT3|CD34|EPO|CXCR4|TGFB1|SCT|MVD|CXCL12|TPO|BCR|FGFR1|EZH2|FLT3|JAK1|CBL|MPL|IDH1|GATA1|PF4|JAK3|TET2|ASXL1|PDGFRB|SRSF2|CALR|CD177|
DIS_NTW_甲状腺肿|CD4|NODAL|KIT|FAS|CS|PC|TG|TH|POLE|SDS|EGF|PTH|PCNA|SON|PRL|TRH|BRAF|RET|CXCL10|SHBG|TPO|DICER1|PAX8|TSHR|SLC26A4|BACH2|DUOX2|
DIS_NTW_原位管癌|ACTIN|NODAL|CS|EGFR|AR|CD68|CD34|TP53|PTGS2|PCNA|CAD|CD44|NHS|ACR|MVD|AKT1|MUC1|ERBB2|BRCA1|NOTCH1|BRCA2|CPM|CCND1|SLN|TP63|CD24|PGR|S100A7|
DIS_NTW_肾癌|ACTIN|NODAL|TNF|FAS|EGFR|BAX|POLE|MTOR|EGF|PTH|SRC|CD40|APC|DES|EPO|HGF|CXCR4|HIF1A|MDM2|CASP8|IL2|VHL|CFLAR|TSC2|FHIT|CA9|TFE3|PRCC|
DIS_NTW_白血球减少症|CD4|NODAL|TNF|C3|CRP|FAS|CS|CP|PC|GC|MTOR|AES|BID|PTS|DES|EPO|MPO|AFP|ERBB2|ADM|MAL|GPT|SARS|GEM|MVP|CD22|TPMT|
DIS_NTW_铁过载|CD4|ACTIN|CRP|FAS|CP|GC|STAT3|SI|EPO|TF|HLA-A|HLA-B|SCT|RPE|HFE|SMAD4|HAMP|CDA|GDF15|BMP6|ALAS2|TFR2|TMPRSS6|FTL|HFE2|HEPH|
DIS_NTW_常染色体隐性遗传病|CS|MB|ATM|VDR|PAH|BRCA1|CFTR|HFE|AGT|PGD|AIRE|MEFV|NBN|AAAS|GAA|SLC26A4|FANCD2|SMN2|FANCA|FANCC|ABCC6|ABCG8|FANCG|ABCG5|CTNS|DMAP1|GALNS|
DIS_NTW_软骨肉瘤|ACTIN|NODAL|CS|BAX|MTOR|SRC|TP53|PCNA|CD44|CXCR4|MDM2|CTGF|PTK2|RUNX2|CD99|TEC|IDH1|MMP13|EWSR1|SOX9|COL2A1|COMP|IDH2|NR4A3|ADAMTS5|EXT1|EXT2|
DIS_NTW_原发性胆汁性肝硬化|CD4|ACTIN|TNF|C3|KIT|FAS|AR|TLR4|CD68|CD40|FOXP3|HLA-A|HLA-DRB1|AFP|SP1|VDR|CTLA4|CDKN1A|HLA-DQB1|PML|CD28|TLR9|GPT|PDC|HLA-C|KRT7|DLAT|
DIS_NTW_淋巴球减少症|CD4|TNF|C3|CRP|FAS|TG|TH|MTOR|AES|FOXP3|CD44|CXCR4|ACR|FASLG|ADA|CD28|TLR9|CD19|SARS|CCR7|CD52|LCK|ATG7|F5|S1PR1|
DIS_NTW_开角型青光眼|ACTIN|CS|PC|GC|POLE|RHO|AES|BID|MTHFR|CD44|F2|ERG|APOE|CLOCK|GSTM1|NOS3|GSTT1|DBP|CTGF|ACD|ABCA1|CYP1B1|PSD|NTM|DCT|OPTN|LOXL1|
DIS_NTW_额颞叶痴呆|TG|MB|ACE|POLE|SDS|RAN|APOE|CLOCK|CA1|APP|CBS|INS|SOD1|FUS|PRNP|CDK5|MAPT|VCP|GRN|SQSTM1|LRRK2|PSEN1|PIN1|SNCA|C9ORF72|PSEN2|CHMP2B|
DIS_NTW_晚期妊娠|CD4|CRP|CP|TG|ACE|TH|SDS|COPE|PTH|MTHFR|F2|SON|PRL|SP1|ANG|CA1|DBP|AVP|CRH|FOS|CA3|IGF2|POMC|NFKB1|PGF|
DIS_NTW_骨病|NODAL|TNF|PC|EGFR|TH|SDS|PTH|SRC|HGF|MSC|VDR|AGA|CFTR|GLA|TNFRSF11B|TNFSF11|RUNX2|FGF23|PTHLH|CCL3|VIT|DKK1|CTSK|SOST|NFATC1|HPN|LRP5|
DIS_NTW_胃溃疡|ACTIN|KIT|CP|EGFR|BAX|GC|TH|HP|EGF|COIL|BID|NOS2|PTGS2|PCNA|HGF|MPO|RAN|ABO|NOS3|CBS|LPO|PTGS1|CYP2C19|PGC|TFF3|TFF1|
DIS_NTW_小眼|ACTIN|KIT|MB|STAT3|RPE|SHH|TNFSF11|BMP4|SOX2|HCCS|PAX6|MITF|CTSK|NFATC1|DCT|MLANA|PAX3|SOX10|TFE3|TYRP1|PIAS3|MFRP|BCOR|PITX3|
DIS_NTW_畸胎瘤|ACTIN|NODAL|KIT|CS|PC|TH|POLE|CD34|PTS|AFP|GFAP|VIP|MYC|MSC|BRAF|SCT|EFS|MUC5AC|NES|SOX2|POU5F1|PGC|F9|KLF4|DMRT1|
DIS_NTW_脱髓鞘病|CD4|TNF|FAS|TH|CD68|NOS2|FOXP3|HLA-DRB1|CCL2|C6|GFAP|TAT|SP1|CD86|MBP|CCR5|HLA-DQB1|PML|CXCR3|CCR2|APCS|CPM|AQP4|MOG|PLP1|ABCD1|
DIS_NTW_杜氏肌营养不良|ACTIN|MB|ACE|GC|SDS|RHO|C2|SON|TGFB1|ERG|TAT|MSC|CTGF|STAR|DMD|PGD|OTC|PIP|GK|NOS1|AQP4|MYOD1|DAG1|PAX7|MYOG|MSTN|
DIS_NTW_多神经病|CD4|NODAL|TNF|C3|FAS|MB|ACE|COIL|AES|EPO|ARC|SON|NGF|MBP|PALM|FAP|ACHE|ENG|TTR|PNP|DSP|PRNP|NF2|MFN2|MAG|MPZ|
DIS_NTW_肠道易激综合征|CRP|CS|AR|COPE|AES|BID|MPO|NHS|VIP|AGA|FH|CIC|CRH|FAP|NNT|CGA|SLC6A4|CCK|TRPV1|OCLN|NMS|FGFR4|GNB3|GAN|TPH1|CNR1|
DIS_NTW_颞叶癫痫|ACTIN|PC|GC|POLE|MTOR|GFAP|BDNF|APOE|CA1|MAL|PGP|NPY|NES|ECD|CA3|PRNP|AQP4|CA2|MAP2|SCN1A|CA4|CALB2|FER|LGI1|
DIS_NTW_膀胱癌|ACTIN|NODAL|TNF|FAS|EGFR|BAX|STAT3|EGF|SRC|CASP3|CD40|TP53|PTGS2|PCNA|TF|CD44|MYC|MVD|MDM2|TNFSF10|ADM|HRAS|FGFR3|KRT20|PRKCA|UBC|
DIS_NTW_神经炎|CD4|NODAL|TNF|C3|CS|CP|MB|GC|COIL|C2|NOS2|FOXP3|HLA-DRB1|ARC|AFP|CCL2|ERG|GFAP|ATM|MBP|CCR5|MTR|AQP4|MOG|MAG|
DIS_NTW_动脉硬化|CD4|ACTIN|C3|CRP|CS|CP|EGFR|TG|ACE|RHO|TLR4|CAST|CD40|NOS2|CAD|HGF|MTHFR|TGFB1|APOE|NOS3|ANG|LPL|GLA|GCA|PON1|
DIS_NTW_精子缺乏|KIT|MB|AR|MTHFR|SON|PRL|STS|GSTT1|MLH1|CFTR|SHBG|OAT|AMH|SRY|FSHR|SRR|DAZL|CDY1|DAZ2|PRM1|PRM2|
DIS_NTW_脑梗塞|CD4|CRP|CP|TG|ACE|BAX|TH|POLE|RHO|TLR4|COIL|CASP3|CAD|MTHFR|MPO|GFAP|BDNF|APOE|TAT|VWF|MBP|CA1|ECD|GRASP|ALOX5AP|
DIS_NTW_肌炎|CD4|ACTIN|TNF|C3|CRP|FAS|TG|MB|CD68|CAST|HLA-DRB1|CXCL10|ADM|APP|BMP4|HLA-DQA1|BACE1|TTN|EXOSC10|ACVR1|CAPN3|CHD4|CMAS|
DIS_NTW_巴雷特食管|NODAL|EGFR|MB|HP|EGF|APC|TP53|NOS2|PTGS2|SI|PCNA|MUC1|CDKN2A|SMAD4|MUC5AC|MUC2|CDX2|KRT20|KRT7|HGD|MUC6|LARS|CDX1|NOX5|
DIS_NTW_脑水肿|TNF|TG|BAX|TLR4|VEGFA|EPO|MPO|C6|GFAP|HIF1A|MMP9|CA1|HMGB1|AVP|HMOX1|CA3|C9|S100B|OCLN|AQP4|AQP1|CLDN5|AQP9|
DIS_NTW_家族性腺瘤性息肉病|ACTIN|BAX|APC|TP53|PTGS2|PCNA|BRAF|RPE|RET|BRCA1|FAP|MLH1|CTNNB1|BRCA2|SMAD4|MSH2|PTGS1|MCC|PGD|DCC|MSH6|PMS2|MUTYH|BMPR1A|
DIS_NTW_艾滋病|CD4|ACTIN|NODAL|TNF|C3|KIT|FAS|PC|TG|POLE|CD68|COPE|CD40|EPO|HLA-B|ARC|CXCR4|TAT|FASLG|CCR5|PML|CCR2|ERAS|DDC|
DIS_NTW_高同型半胱氨酸血症|ACTIN|CRP|PC|ACE|APC|CAD|MTHFR|GFAP|APOE|VWF|NOS3|ANG|MMP9|PML|CBS|PON1|COMT|MTR|CYBB|MTRR|BHMT|MMACHC|
DIS_NTW_脑白质病|CD4|POLE|CD68|EGF|HLA-A|HLA-DRB1|GFAP|TAT|SP1|MBP|HLA-DQB1|PML|MAL|MTR|NOTCH3|NOTCH4|CSF1R|HTRA1|MLC1|TYROBP|
DIS_NTW_消化不良|KIT|CP|PC|GC|SDS|HP|EGF|AES|BID|PTGS2|SRI|VIP|AGA|FAP|CPM|CBS|SLC6A4|CCK|TRPV1|OTC|PDE5A|GNB3|OCM|
DIS_NTW_自然流产|CD4|TNF|C3|TH|AES|FOXP3|HLA-A|HLA-B|HLA-DRB1|MTHFR|F2|AFP|PRL|CTLA4|IL10|HLA-DQB1|CD69|SACS|PGD|HLA-G|HLA-DQA1|CD200|FGL2|
DIS_NTW_甲状腺乳头状癌|NODAL|KIT|FAS|PC|EGFR|TG|POLE|STAT3|APC|CXCR4|BRAF|MUC1|RET|FAP|CTNNB1|HRAS|SLN|NRAS|PAX8|TSHR|HTT|NTRK1|NCOA4|
DIS_NTW_新城病|CD4|ACTIN|TNF|C3|KIT|CS|CP|TH|SDS|DES|F2|STAT1|CD28|CPE|GAL|FURIN|IRF1|IRF3|IRF7|TBK1|DDX58|IRF2|
DIS_NTW_地中海贫血|CD4|CS|PC|TH|SDS|PTH|EPO|HLA-A|SRI|ABO|SCT|PAH|HFE|G6PD|PGD|HAMP|GATA1|ATRX|HBD|BCL11A|HBA2|HBB|
DIS_NTW_角膜炎|CD4|ACTIN|KIT|FAS|CS|TG|GC|TLR4|TLR2|MPO|CCL2|RAN|TLR9|MYD88|CPE|ECD|CXCL1|CXCL2|CSK|NTM|AMT|IK|
DIS_NTW_食管炎|CD4|NODAL|EGFR|TG|HP|EGF|CAST|APC|BID|TP53|PTS|PTGS2|SI|PCNA|FH|TRPV1|GRASP|CDX2|CYP2C19|EDA|CCL26|LARS|
DIS_NTW_荨麻疹|CD4|TNF|C3|CRP|KIT|ACE|AR|HP|C2|AES|HLA-B|HLA-DRB1|F2|C5|GPT|TPO|ACD|NLRP3|SYK|CD63|NRL|
DIS_NTW_膀胱炎|ACTIN|TNF|C3|CRP|KIT|CS|CP|EGF|CD34|NOS2|PTGS2|BDNF|SCT|NGF|MIF|GPT|GAL|MCC|TRPV1|UMOD|KRT20|HBEGF|
DIS_NTW_大脑性麻痹|CP|PC|SDS|RHO|COPE|CAST|ARC|APOE|STS|MAX|AGA|PALM|CCS|DMD|C7|MOS|GRASP|ABR|SPR|FES|SLC6A3|CIT|DCD|
DIS_NTW_浸润性导管癌|ACTIN|NODAL|KIT|EGFR|BAX|AR|CD34|TP53|PTGS2|PCNA|CD44|MYC|MVD|MUC1|ERBB2|BRCA1|BRCA2|CCN
实验1,示例A,用于6638个对象的1456个基于疾病网络的信息密度描述符
药物
3-甲基戊烯二酸尿症的总和(计数)
腹主动脉瘤的总和(计数)
无β脂蛋白血症的总和(计数)
黑棘皮症的总和(计数)
失弛缓性的总和(计数)
软骨发育不全的总和(计数)
色盲的总和(计数)
腺泡细胞癌的总和(计数)
痤疮的总和(计数)
听神经瘤的总和(计数)
艾滋病的总和(计数)
肢端发育不全的总和(计数)
肢端肥大症的总和(计数)
光化性角化病的总和(计数)
急性腹泻的总和(计数)
急性间歇性卟啉症的总和(计数)
急性白血病的总和(计数)
急性淋巴细胞白血病的总和(计数)
急性单核细胞白血病的总和(计数)
急性骨髓性白血病的总和(计数)
急性心肌梗塞的总和(计数)
急性胰腺炎的总和(计数)
急性早幼粒细胞白血病的总和(计数)
急性肾盂肾炎的总和(计数)
艾迪生氏病的总和(计数)
腺癌的总和(计数)
腺瘤的总和(计数)
腺鳞癌的总和(计数)
肾上腺腺瘤的总和(计数)
肾上腺增生的总和(计数)
肾上腺皮质癌的总和(计数)
肾上腺皮质增生的总和(计数)
肾上腺脑白质营养不良的总和(计数)
成人呼吸窘迫综合征的总和(计数)
成人T细胞白血病的总和(计数)
睡眠相位前移症候群的总和(计数)
实验2,示例B,用于6943个对象的基于975个MedDRA网络的信息密度描述符
药物
MED_ntw_腹痛的总和(计数)
MED_ntw_流产的总和(计数)
MED_ntw_脓肿的总和(计数)
MED_ntw_失神发作的总和(计数)
MED_ntw_虐待的总和(计数)
MED_ntw_棘皮症的总和(计数)
MED_ntw_事故的总和(计数)
MED_ntw_失弛缓性的总和(计数)
MED_ntw_疼痛的总和(计数)
MED_ntw_痤疮的总和(计数)
MED_ntw_肢端肥大症的总和(计数)
MED_ntw_急性冠脉综合征的总和(计数)
MED_ntw_急性白血病的总和(计数)
MED_ntw_急性淋巴细胞白血病的总和(计数)
MED_ntw_急性粒细胞性白血病的总和(计数)
MED_ntw_急性呼吸窘迫综合征的总和(计数)
MED_ntw_急性肾小管坏死的总和(计数)
MED_ntw_上瘾的总和(计数)
MED_ntw_腺炎的总和(计数)
MED_ntw_腺瘤的总和(计数)
MED_ntw_肾上腺功能不全的总和(计数)
MED_ntw_成人呼吸窘迫综合征的和(计数)
MED_ntw_情感障碍的总和(计数)
MED_ntw_侵害的总和(计数)
MED_ntw_躁动的总和(计数)
MED_ntw_粒性白血球缺乏症的总和(计数)
MED_ntw_艾滋病的总和(计数)
MED_ntw_静坐不能的总和(计数)
MED_ntw_运动不能的总和(计数)
MED_ntw_丙氨酸转氨酶的总和(计数)
MED_ntw_蛋白尿的总和(计数)
MED_ntw_酒精问题的总和(计数)
MED_ntw_碱毒症的总和(计数)
MED_ntw_过敏性体质的总和(计数)
MED_ntw_过敏反应的总和(计数)
MED_ntw_过敏性鼻炎的总和(计数)
MED_ntw_过敏症的总和(计数)
MED_ntw_牙槽炎的总和(计数)
MED_ntw_黑内障的总和(计数)
MED_ntw_弱视的总和(计数)
MED_ntw_闭经的总和(计数)
MED_ntw_健忘症的总和(计数)
MED_ntw_淀粉样变性的总和(计数)
MED_ntw_过敏性的总和(计数)
MED_ntw_贫血的总和(计数)
MED_ntw_动脉瘤的总和(计数)
MED_ntw_愤怒的总和(计数)
实验2,示例B1,来自975个基于MedDRA术语的蛋白质子网络的选择
MED_ntw_颈痛|CRP|C3|C2|C6|C5|C7|LBP|CNP|
MED_ntw_喉癌|NODAL|EGFR|BAX|PCNA|MVD|CD44|GSTM1|GSTT1|CCND1|
MED_ntw_瘢痕瘤|ACTIN|FAS|MTOR|TGFB1|SMAD3|SMAD2|CTGF|SMAD4|SMAD7|
MED_ntw_束支性传导阻滞|CS|NODAL|MB|CAD|PTS|MAX|MPI|SCN5A|DSE|
MED_ntw_主动脉回流|ACE|AR|CAD|AVP|HLA-B|MVP|ESD|RHD|
MED_ntw_癌痛|CP|COPE|AES|CLOCK|MSC|TRPV1|NNT|CPM|BPI|
MED_ntw_淋巴球增多|CD4|TNF|NODAL|FAS|HP|CD19|CD38|CD5|
MED_ntw_分支杆菌感染|CD4|TNF|NOS2|TLR4|TLR2|STAT1|MYD88|NTM|
MED_ntw_肝损害|ACTIN|FAS|BAX|NOS2|MPO|GPT|CCL4|CYP2E1|
MED_ntw_睡眠障碍|CD4|CRP|CP|AR|COPE|CLOCK|ACR|MOS|TST|
MED_ntw_锌失调|CD4|CRP|ACE|CASP3|RPE|SLC39A1|SLC39A4|
MED_ntw_静坐不能|TH|AES|NNT|CYP2D6|PTPRD|MAP2K5|MEIS1|BTBD9|
MED_ntw_鱼鳞癣|CS|TG|MB|STS|FLG|SPINK5|ABHD5|ABCA12|
MED_ntw_张力减退|CP|MB|SON|MECP2|GAA|RYR1|ACTA1|SNRPN|
MED_ntw_并指|MB|SON|SHH|FGFR2|FGF8|GJA1|GLI3|HOXD13|
MED_ntw_皮肤病|CD4|ACTIN|MAL|ATP2A2|DSG3|COL7A1|SPINK5|ATP2C1|
MED_ntw_视神经萎缩|MB|POLE|ERG|OPA1|MFN2|OPA3|DNM1L|PRPS1|
MED_ntw_剥落|ACTIN|PC|CAST|GC|MICA|AFM|LOXL1|
MED_ntw_男性化|AR|SHBG|SRY|POR|CYP19A1|SRD5A2|CYP11B1|CYP21A2|
MED_ntw_骨盆病|CP|CS|KIT|NGF|TRPV1|PGP|SCN11A|P2RX3|
MED_ntw_碱毒症|PTH|CA1|ALK|CDA|SLC12A3|SLC26A4|CLCNKB|
MED_ntw_多尿症|PTH|AVP|AQP4|AQP1|AQP2|AQP3|SLC12A1|AVPR2|
MED_ntw_自主神经病|CAD|EPO|NGF|FAP|TTR|HBA1|WNK1|NTRK1|
MED_ntw_高尿酸血症|CRP|ACE|TG|EGFR|CAD|UMOD|ABCG2|SLC2A9|
MED_ntw_肾囊肿|POLE|EGFR|MTOR|SRC|CFTR|VHL|PKD1|PKD2|
MED_ntw_纤维囊性乳房疾病|ACTIN|NODAL|COIL|EGF|PRL|TRH|PIP|MGA|
MED_ntw_呼吸道感染|CD4|CRP|TH|KIT|AHR|SARS|PIK3CD|
MED_ntw_肾病|C3|ACTIN|ACE|TG|AFP|RARA|NPHS2|
MED_ntw_膝盖痛|POLE|AES|RHO|NHS|RAN|TF|ACR|KL|
MED_ntw_性早熟|TH|SDS|PRL|PAH|TRH|FH|IPP|KISS1|
MED_ntw_心脏血管疾病|ACTIN|ACE|COIL|CAD|VWF|NOS3|ENG|ACVRL1|
MED_ntw_法洛四联症|NODAL|COIL|TF|PVR|LPA|MPI|GATA4|NKX2-5|
MED_ntw_躁狂症|POLE|AES|CLOCK|BDNF|TRH|SLC6A4|BPI|AMPH|
MED_ntw_运动功能障碍|CP|TG|POLE|BDNF|GFAP|GDNF|SOD1|HTT|
MED_ntw_眼球突出症|ACTIN|CS|COIL|CD34|TRH|ECD|CD99|
MED_ntw_血管病|ACTIN|TG|APOE|APP|CST3|NOTCH3|PRNP|PSEN1|
MED_ntw_迟发性运动障碍|HP|BDNF|CYP2D6|CYP1A2|HAL|DBH|DRD2|DRD3|
MED_ntw_僵住症|CP|TH|POLE|GC|F2|FOS|HAL|DRD3|
MED_ntw_光毒性|ARC|C6|PAH|NPS|RPE|HPD|CPZ|
MED_ntw_神经错乱|CRP|COPE|CLOCK|APOE|NMS|S100B|AMT|SLC6A3|
MED_ntw_肾间质纤维化|ACTIN|ANG|HGF|TGFB1|SMAD3|SMAD2|CTGF|SMAD7|
MED_ntw_敌对|CRP|COPE|CAD|SI|PRL|TAT|DBP|CORT|
MED_ntw_食管癌|NODAL|FAS|EGFR|BAX|EGF|PCNA|MVD|ESD|
MED_ntw_淋巴腺炎|CD4|CRP|NODAL|FAS|CD68|GPT|NTM|
MED_ntw_肝细胞损害|TNF|ACTIN|FAS|TLR4|STAT3|HMGB1|CCL4|
MED_ntw_结膜炎|C3|KIT|AR|AES|BID|ARC|ACD|
MED_ntw_坏死性小肠结肠炎|CRP|TNF|NOS2|TLR4|EGF|AGA|NNT|
MED_ntw_多发性关节炎|CD4|CRP|C3|TNF|ACR|HLA-B|HLA-DRB1|
MED_ntw_动脉血栓形成|CRP|PC|CAD|TF|APC|VWF|MTHFR|
MED_ntw_龋齿|CD4|CP|CS|COPE|GC|NHS|SRI|TF|
MED_ntw_心原性休克|CRP|CS|NODAL|ACE|MB|PTS|DES|
MED_ntw_卟啉症|AIP|HFE|CYP1A2|DDC|ALAD|ALAS2|HMBS|
MED_ntw_结缔组织病|MVP|COL1A1|COL1A2|FBN1|COL3A1|COL5A1|ABCC6|
MED_ntw_恶性高热|NMS|HAL|RYR2|RYR1|CACNA1S|CASQ1|
MED_ntw_角膜病|ACTIN|PC|PVR|ECD|AMT|PAX6|PBK|
MED_ntw_肝脾肿大|CD4|NODAL|FAS|CD5|CD7|NPC1|NPC2|
MED_ntw_棘皮症|SHBG|LMNA|FGFR3|FGFR2|INSR|BSCL2|
MED_ntw_胆结石|PC|TG|CCK|CYP7A1|ABCB4|ABCG8|
MED_ntw_多肌炎|CD4|C3|TNF|MB|HLA-DRB1|DMD|EXOSC10|
MED_ntw_脱皮|SARS|KLK5|SPINK5|DSG1|CDSN|
MED_ntw_去皮|ACTIN|POLE|ERG|RPE|PVR|AFM|CDSN|
MED_ntw_低白蛋白血症|CD4|CRP|C3|EGFR|PTH|ALB|APTX|
MED_ntw_视神经病|POLE|ERG|MTHFR|GCA|PSD|OPA1|OPA3|
MED_ntw_表皮坏死松解|CD4|FAS|HLA-B|HLA-A|FASLG|CYP2B6|GNLY|
MED_ntw_胸膜间皮瘤|NODAL|EGFR|MTOR|VEGFA|MSC|ERCC1|REN|
MED_ntw_骨骼肌损伤|ACTIN|MB|DMD|MYOD1|PAX7|MYOG|
MED_ntw_死产|CD4|CS|COPE|NHS|AFP|FGR|
实验3,示例C,用于从441个生理学术语导出蛋白质子网络的信息密度测量值导出的3989个对象的描述符
实验3,示例C1,用于441个基于生理学术语的蛋白质子网络中的节点的本体
PHYSIOL_NETW_产热|PPARGC1A|NPY|TRH|LCT|LPL|COPE|PRDM16|TEF|HP|FOS|ARC|DIO2|FAS|TRPV1|CRH|CIT|BMP8B|TG|TH|AGRP|MTOR|FGF21|TNF|POMC|COIL|SLC2A4|MC4R|CIDEA|ANG|SLN|STAT3|ADRB3|CS|GC|PYY|TES|FABP4|NTS|CLOCK|AVP|TRPM8|FABP7|MPO|CP|IGF2|AR|BDNF|CAST|RAN|MB|MAX|MUSK|BMP7|ATF4|RARA|GPR50|ACOT13|
PHYSIOL_NETW_θ节律|CA1|CA3|RAN|MPO|BDNF|ACHE|HCN1|
PHYSIOL_NETW_瘦弱|BID|ACTIN|RAN|PYY|AR|SRI|
PHYSIOL_NETW_凝血酶时间|VWF|TAT|FGG|FGB|PC|CS|TF|PROC|FGA|PF4|CRP|C3|MAX|APC|PLG|FDPS|
PHYSIOL_NETW_血小板生成|TPO|MPL|MEIS1|DNM3|EPO|ACTIN|KIT|CD4|GC|SRC|GATA1|
PHYSIOL_NETW_潮气量|PIP|MAX|PC|CS|TANK|PPL|C2|MIP|RHO|MPO|SI|CXCL2|NTS|ACE|TLR4|PVR|ACTIN|CP|TNF|DMD|C3|RAN|CAST|SACS|ANG|TH|AR|VIP|LTF|C5|SRC|PALM|COIL|RPE|FH|EPO|COPE|ATM|ASL|C7|FEV|RARS|SARS|MB|CAD|PNP|IDS|TRH|NOS2|ACD|NMS|DSP|HMGB1|HAL|CXCL1|COPA|MEFV|ACHE|MBP|NODAL|FOS|TRPV1|DES|HP|CAPS|CCK|C6|ATR|FES|MIF|CPD|CTRL|MYD88|AIP|SKI|CFB|CTGF|STRAP|VCP|PGD|CD14|
PHYSIOL_NETW_出牙|EGF|TNFRSF11B|RUNX2|CAST|BMP6|PTH1R|TNFSF11|BMP2|DMP1|
PHYSIOL_NETW_麻木|COPE|CLOCK|GPR50|NPY|CA1|CA3|PTMS|
PHYSIOL_NETW_肺活量|MEFV|MIP|FEV|ARC|MAX|PAH|ACE|AHR|CAD|COIL|CRP|PC|SARS|HP|SCT|TG|
PHYSIOL_NETW_触觉|SI|GRASP|PALM|SLN|COPE|PC|NODAL|CP|PREP|KIT|NHS|PIEZO2|CS|C3|TANK|ACTIN|FOS|POLE|RET|COIL|C2|TH|HP|CAST|TRPV1|CAPS|SP6|ARC|AR|C5|RAN|C6|STAR|DCD|TG|C7|CLOCK|AFM|APP|NUMB|CD4|RHO|STS|EGF|NGF|NPS|TRPV4|CD68|SMS|PIEZO1|CAD|SCT|VIP|PGP|EGFR|RPE|F2|ADA|ECD|CCND1|MYCN|MAX|ACE|SDS|CA1|PRL|SON|MB|HMGB1|ACHE|DES|DBP|TES|PTGS2|MCC|APOE|GAN|SP1|TP53|DST|DCN|SP2|CTBS|ACR|ATOH1|
PHYSIOL_NETW_移植耐受|CD40|CD4|FOXP3|CTLA4|DST|FAS|CD28|CD86|APCS|TNFRSF18|CP|VDR|TLR4|APC|STAT3|MYD88|TLR9|CD80|CD274|
PHYSIOL_NETW_趋性|CCR5|CD4|CXCR4|CD46|CLMP|MSC|SI|SARS|TAT|CD81|ACTIN|CCR3|C6|PML|CCR2|C3|STAT1|TNFRSF4|PAM|CXCL12|SLC19A2|CDR1|FAS|TNF|EGFR|RPE|CPE|FURIN|CR2|CD40|CP|C2|GC|CD5|CD163|PVR|ERBB2|CXCR2|CCR9|APC|NODAL|EGF|DES|ACE2|APOBEC3G|CTAGE1|TG|CXCR6|PC|APOE|GFAP|CCR7|CCL2|FGF2|CD44|MLN|CLDN1|IFIH1|CEACAM1|CLEC4M|STAT3|TH|DMD|SRC|CD69|PALM|COPE|POLE|CD68|SACS|CD14|CFTR|HGF|GALT|RAC1|CX3CR1|CCL25|OCLN|TMPRSS2|CS|CD86|APCS|MTOR|CD2|PDC|HP|CAST|F2|SP1|F3|NES|VWF|JUN|FYN|GSC|TNFSF11|EPO|VEGFA|CCR4|CR1|CCL28|CX3CL1|CXCR3|CCR8|APOB|PARVA|F11R|CCL5|APOC3|DDX58|TNFSF10|APOC2|CCR10|RCVRN|ROBO4|EPHA2|YBX1|GPR1|
PHYSIOL_NETW_肿瘤逃逸|FAS|HLA-G|FASLG|EBAG9|KLRK1|HLA-A|MLANA|PMEL|EGFR|CTLA4|CD274|PDCD1|TAP2|CD4|STAT3|CD86|APCS|FOXP3|TLR4|MICA|HLA-B|HLA-C|CXCR4|ACTIN|CXCL12|CD40|APC|IL10|CD59|PSCA|MICB|MAGEA3|
PHYSIOL_NETW_排尿|PVR|PC|CP|CIC|ARC|PRUNE|COPE|TH|COIL|MAX|AVP|C2|PALM|POLE|RHO|BCR|DES|F2|ACHE|AES|GPT|SI|C6|NGF|AQP2|S100B|CD4|NODAL|PDE5A|AGA|NPS|NHS|TRPV1|RAN|DCD|SDS|BID|
PHYSIOL_NETW_尿动力学|LPP|CIC|PVR|RHO|MCC|BCR|NGF|ALPP|PRUNE|IPP|PC|ARC|
PHYSIOL_NETW_子宫收缩|F2|PGF|SP6|
PHYSIOL_NETW_疫苗效力|APCS|BCL2L1|KIT|
PHYSIOL_NETW_瓦尔萨尔瓦动作|MB|SI|CLPP|PALM|NODAL|CAD|
PHYSIOL_NETW_血管重构|PAH|ANG|ACTIN|NOS3|ACE|RHO|BMP4|ID1|MMP2|BMPR2|VEGFA|CRP|RHOA|STAT3|ID3|RAC1|EGFR|HIF1A|PCNA|PVR|TGFB1|NOX4|CTGF|SPP1|CAD|MMP9|TNF|ENG|EGF|SRC|SMAD2|NOTCH1|NOS2|SACS|LPA|BAX|FAS|CASP3|CXCL12|ACE2|MTOR|PTGS2|AR|TF|CXCR4|FLT1|CCL2|EPHB4|TRPC6|SOD1|CCR2|EPHA2|CNP|SMAD3|NOTCH4|CD4|CD40|CX3CL1|EGR1|SLC6A4|GK|APLN|ANGPT1|COIL|NODAL|ARC|HMGB1|PC|C3|PDE5A|CD68|VIP|AHR|CX3CR1|VWF|SMAD1|TPH1|LOX|NOX1|APLNR|CDK2|DES|PLAUR|TPR|FH|COPE|TG|TRPC4|CD34|TLR4|CEACAM1|CCL5|SP1|EPO|CD36|HMOX1|CXCL1|LCN2|FOXO1|PRKG1|PTK2|CYBB|DLL4|SYK|UNK|TIE1|PDE1C|NGF|GFAP|AVP|MB|DBP|TRPV4|SRF|NOS1|INS|HLA-G|ERBB2|BCL2|PTX3|AKT1|TAT|APOE|CD14|CXCR3|AXL|NFATC2|PTGS1|SGK1|MIF|CTSK|CFD|AQP1|ADAM17|TAL1|ANXA5|TRPM7|SLC9A1|LRP1|ERBB4|RGS2|CDK4|SMAD4|UTS2R|SOD2|VHL|SMARCA4|GREM1|BIRC5|GATA6|PTK2B|TEK|FBLN5|HEY2|MEOX2|
PHYSIOL_NETW_血管阻力|PVR|PAH|ANG|ACE|TPR|AVP|MAX|F2|SI|NOS3|DBP|CAD|NPY|PC|VIP|MB|MBP|TNF|CS|CP|RHO|NOS2|LPA|RHOA|PTS|PDE5A|EPO|HP|ACTIN|NODAL|ADO|NTS|BMPR2|COPE|TH|C2|APOE|BID|NOS1|ADM|RAN|TRH|CRP|EGFR|AR|TG|MPO|DAP|PAM|C3|CAST|FGR|MPI|PIP|MARS|COIL|PTGS1|PGF|FAP|CRH|DCD|SRI|MRAP|CNP|ARC|VWF|DES|FH|TAT|CFD|PTH|AGA|SDS|GC|TRPC6|KIT|ATM|ERAS|PALM|CD59|HBD|CCL4|PGC|EMD|VEGFA|SRC|PTGS2|HMGB1|NPS|TRPC3|TANK|PPP1R12A|POLE|AES|C5|STH|PCNA|TF|TRPC4|HMOX1|CASR|CAPS|TRPV1|F3|ERG|CSK|APC|ACD|GAL|ATP1A2|ADA|REN|DPP4|ABR|DBT|CCK|SLC12A2|FEV|GHR|LPO|TYR|DAO|KY|
PHYSIOL_NETW_血管硬化|EGFR|NOS3|ANG|PVR|PAH|ACE|GLA|DBP|CAD|HP|ARG2|
实验8示例E1_用于基于解剖的Phys sub NETW的本体
Phy_NTW_Yawningkk_aa_kkBrain|脑|
Phy_NTW_Yawningkk_aa_kkMouth|口|
Phy_NTW_Yawningkk_aa_kkNeurons|神经元|
Phy_NTW_Yawningkk_aa_kkHypothalamus|下丘脑|
Phy_NTW_Yawningkk_aa_kkNervous System|神经系统|
Phy_NTW_Yawningkk_aa_kkHead|头|
Phy_NTW_Yawningkk_aa_kkHeart|心脏|
Phy_NTW_Yawningkk_aa_kkEye|眼|
Phy_NTW_Yawningkk_aa_kkTemporomandibular Joint|颞下颌关节|
Phy_NTW_Yawningkk_aa_kk中枢神经系统|中枢神经系统|
Phy_NTW_Yawningkk_aa_kkJaw|颚|
Phy_NTW_Yawningkk_aa_kkTongue|舌头|
Phy_NTW_Yawningkk_aa_kkSkin|皮肤|
Phy_NTW_Yawningkk_aa_kkArm|胳膊|
Phy_NTW_Yawningkk_aa_kkEustachian Tube|咽鼓管|
Phy_NTW_Yawningkk_aa_kkMuscles|肌肉|
Phy_NTW_Yawningkk_aa_kkNeck|脖子|
Phy_NTW_Yawningkk_aa_kkBrain Stem|脑干|
Phy_NTW_Yawningkk_aa_kkEar|耳|
Phy_NTW_Yawningkk_aa_kkFetus|胎儿|
Phy_NTW_Yawningkk_aa_kkHand|手|
Phy_NTW_Yawningkk_aa_kkHippocampus|海马|
Phy_NTW_Yawningkk_aa_kkDopaminergic Neurons|多巴胺能神经元|
Phy_NTW_Yawningkk_aa_kkFace|脸|
Phy_NTW_Yawningkk_aa_kkNucleus Accumbens|伏核|
Phy_NTW_Wound Healingkk_aa_kkSkin|皮肤|
Phy_NTW_Wound Healingkk_aa_kkFoot|脚|
Phy_NTW_Wound Healingkk_aa_kkEye|眼|
Phy_NTW_Wound Healingkk_aa_kkLeg|腿|
Phy_NTW_Wound Healingkk_aa_kkLiver|肝脏|
Phy_NTW_Wound Healingkk_aa_kkEpidermis|表皮|
Phy_NTW_Wound Healingkk_aa_kkLung|肺|
Phy_NTW_Wound Healingkk_aa_kkBreast|乳房|
Phy_NTW_Wound Healingkk_aa_kkCornea|角膜|
Phy_NTW_Wound Healingkk_aa_kkBack|背部|
Phy_NTW_Wound Healingkk_aa_kkDermis|真皮|
Phy_NTW_Wound Healingkk_aa_kkTooth|牙齿|
Phy_NTW_Wound Healingkk_aa_kkMouth|嘴巴|
Phy_NTW_Wound Healingkk_aa_kkNeck|脖子|
Phy_NTW_Wound Healingkk_aa_kkHair|头发|
Phy_NTW_Wound Healingkk_aa_kkKidney|肾脏|
Phy_NTW_Wound Healingkk_aa_kkHeart|心脏|
Phy_NTW_Wound Healingkk_aa_kkHead|头|
Phy_NTW_Wound Healingkk_aa_kkBlood Vessels|血管|
实验8,示例E2,基于解剖学的Phys sub NETW的节点计数。
实验8,示例E3,用于16个对象和472个生理子网络的边缘计数描述符
实验8,示例E4,边缘计数描述符示例oleic acid_472生理学子网络的转换
实验9,示例F1
Claims (30)
1.一种通过多个网络系统跟踪信息流的方法,包括:
从主网络系统和次网络系统的群体中选择主网络系统,其中所述主网络系统和次网络系统中的每个包括网络节点;
选择识别所述主网络系统的网络节点的第一所选特性特征,所述网络节点提供所选主网络系统和次网络系统之间的交互;
识别能够与所述主网络系统的网络节点交互的至少一个次网络系统;
基于识别提供所述主网络系统和次网络节点之间的交互的主网络节点而将主网络系统细分成子网络系统;
识别能够与所述次网络系统的一个或多个网络节点交互的子网络系统;
识别主网络系统的每个子网络系统中的子网络节点计数;
识别能够与所述主网络节点交互的对象;以及
确定在与所述主网络节点交互的对象的特征和指示所述主网络节点和次网络节点之间的信息交换的主网络节点的特征之间的同时发生频率或同时发生测量值。
2.根据权利要求1所述的方法,其中,所述第一所选特性特征选自:交互网络系统的网络节点的专有名称、同义词或符号;与交互网络系统的网络节点相关联的测量值;与交互网络系统的网络节点相关联的多个测量值;交互网络的网络节点组的专有名称和同义词;交互网络系统的网络节点的符号;以及交互网络系统的网络节点组的符号。
3.根据权利要求1所述的方法,其中,识别能够与所述主网络系统的网络节点交互的至少一个次网络系统包括:
随机选择存储在数据库中的随机所选交互网络的网络节点的第二所选特性特征;
使用所述第一所选特性特征和所述第二所选特性特征以用于确定所述第一所选特性特征与所述第二所选特性特征的同时发生频率或同时发生测量值,并记录结果;以及
使用所记录的同时发生频率或同时发生测量结果以用于选择具有能够与所述主网络系统交互的至少一个网络节点的一个或多个次网络系统。
4.根据权利要求3所述的方法,其中,所述数据库包括以下中的一个或多个:Medline数据库、PubMed数据库、EMBL数据库、世界传统医学专利数据库、中国传统医学数据库、补充和替代的医学数据库、维基百科、数字化出版物的合类、由监视系统收集的测量值、由生物监视系统收集的测量值、由诊断系统收集的测量值、由可穿戴设备收集的测量值、由可穿戴电子系统收集的测量值、由可穿戴传感器收集的测量值、由可穿戴诊断系统收集的测量值、通过众包收集的测量值、医疗记录数据库、不良事件报告系统数据库、DHARA数据库、以及Ayurveda卫生保健系统数据库。
5.根据权利要求1所述的方法,其中,所述次网络系统包括以下中的一个或多个:互联网、社交网络、生态网络、生物网络、营养网络、生物通信网络、流行病学网络、蛋白质网络、供应网络、需求网络、购物网络、电力网络、输电网络、制造网络、交通网络、通信网络、无线网络、金融网络、蜂窝网络、蜂窝通路、代谢网络、基因网络、生理网络、器官系统网络、蜂窝通信网络、细胞信令网络、蜂窝内通信网络、神经元网络、疾病网络、细胞器网络、细菌网络、病毒网络、卫生保健网络、安全网络、犯罪网络、军事网络、免疫网络、以及情报网络。
6.根据权利要求1所述的方法,其中,将所述主网络系统细分成子网络系统包括:
选择所述主网络节点的特性特征;
选择所述次网络节点的特性特征;以及
使用所述主网络节点和次网络节点的特性特征以用于确定指示数据库中的主网络节点和次网络节点之间的交互的同时发生测量值或同时发生频率测量值,并记录结果。
7.根据权利要求1所述的方法,包括使用以下步骤确定影响所述主网络系统和所选次网络系统之间的信息传输的对象容量:
第一过程,其包括:
选择子网络节点的本体;和
选择能够与所述子网络节点交互的对象的本体,以用于确定所述子网络节点的本体中的实例与所述对象的本体中的实例之间的同时发生频率或同时发生测量值;以及
记录所述同时发生频率或同时发生测量值的结果;
第二过程,其包括:
选择用于所述同时发生频率或同时发生测量值的阈值,以用于确定具有高于所述阈值的同时发生频率或同时发生测量值的子网络系统中的子网络节点的数量;和
将结果记录为子网络系统的对象可达子网络节点计数或记录为所述对象和所述子网络系统的边缘密度测量值;以及
将结果存储为基于边缘密度的对象描述符,所述基于边缘密度的对象描述符提供对影响所述主网络系统与所选多个次网络系统之间的信息传输的所述对象容量的估计。
8.根据权利要求7所述的方法,还包括通过确定所述主网络系统的子网络系统的边缘密度测量值和子网络节点计数的比率来使基于边缘密度的对象描述符标准化。
9.根据权利要求8所述的方法,其中,使用对象关联边缘密度测量的实例作为分子和所述主网络系统的子网络系统的子网络节点计数的实例作为分母来确定所述比率,并且所述方法包括记录所得节点计数比率。
10.根据权利要求8所述的方法,其中,使用对象关联边缘密度测量值的实例作为分母和所述主网络系统的子网络系统的子网络节点计数的实例作为分子来确定比率,并且所述方法包括记录所得节点计数比率。
11.根据权利要求8所述的方法,包括聚合用于所选子网络系统的计数比率,并使用所聚合的计数比率作为影响所选主网络系统的所选子网络系统和所选次网络系统之间的信息传输的所述对象容量的估计。
12.根据权利要求1所述的方法,包括通过以下方式来确定第二组描述符集合:
通过选择所述对象的特性特征并确定所述对象的所选特性特征和所述主网络节点的特性特征之间的出现频率或同时发生测量值,识别能够与所述主网络节点交互的对象;
识别并计数主网络系统的每个子网络系统中能够与所识别的对象交互的网络节点的数量;
将节点计数记录为集中的子网节点计数;
增加与所述主网络系统的子网络系统的相应子网络节点相关联的对象的同时发生频率或同时发生测量值,并将结果记录为识别针对所述主网络系统的子网络系统的每个子网络节点所获得的对象的同时发生频率测量值的总和;
将用于所述主网络系统的所述子网络节点的所述对象的同时发生频率测量值的总和存储为所述对象的信息密度测量值,其中所述对象的信息密度测量值提供影响所述子网络系统和所选次网络系统之间的信息传输的对象容量的估计;
还包括:聚合用于所选子网络节点的所述对象的信息密度测量值,并使用所述对象的所聚合的信息密度测量值作为影响所选主网络系统的所选子网络系统和所选次网络系统之间的信息传输的对象容量的估计。
13.根据权利要求1所述的方法,包括将第二描述符集合用在分层聚类分析中以识别在多个交互网络系统中诱发信息流的路由的对象组和调节信息流的网络拓扑结构组。
14.根据权利要求7所述的方法,包括使用所述基于边缘密度的对象描述符以用于信息流分析。
15.根据权利要求12所述的方法,包括使用第二描述符集合以用于信息流分析。
16.根据权利要求7或12所述的方法,其中,所述子网络节点的本体从蛋白质网络中导出以用于创建用于信息流分析的描述符。
17.根据权利要求7或12所述的方法,其中,所述子网络节点的本体是基于疾病的并且从蛋白质网络中导出以用于创建用于信息流分析的描述符。
18.根据权利要求7或12所述的方法,其中,所述子网络节点的本体是从蛋白质网络导出以用于创建用于信息流分析的描述符的基于Medra术语的子网络节点的本体。
19.根据权利要求7或12所述的方法,其中,所述子网络节点的本体是从蛋白质网络中导出以用于创建用于信息流分析的描述符的基于生理学的子网络节点的本体。
20.根据权利要求12所述的方法,包括使用第二描述符集合以用于对使用从蛋白质网络中导出的基于疾病的子网络节点的本体而选择的药草和药物进行信息流分析。
21.根据权利要求12所述的方法,包括使用第二描述符集合以用于对使用从蛋白质网络中导出的基于Medra术语的子网络节点的本体而选择的药草和药物进行信息流分析。
22.根据权利要求12所述的方法,包括使用第二描述符集合以用于对使用从蛋白质网络中导出的基于生理学的子网络节点的本体而选择的药草和药物进行信息流分析。
23.根据权利要求7所述的方法,包括使用所述基于边缘密度的对象描述符以用于对使用从蛋白质网络中导出的基于疾病的子网络节点的本体而选择的药草和药物进行信息流分析。
24.根据权利要求7所述的方法,包括使用所述基于边缘密度的对象描述符以用于对使用从蛋白质网络中导出的基于Medra术语的子网络节点的本体而选择的药草和药物进行信息流分析。
25.根据权利要求7所述的方法,包括使用所述基于边缘密度的对象描述符以用于对使用从蛋白质网络中导出的基于生理学的子网络节点的本体而选择的药草和药物进行信息流分析。
26.一种用于产生对象的新颖描述符的方法,包括:
第一步骤,选择感兴趣的第一交互网络系统的网络节点的第一组特性特征,所述第一步骤还包括,使用所述第一交互网络系统的所述网络节点的所选特性特征以用于创建所述第一交互网络系统的第一描述符集合,
其中,所述特性特征能够从包括以下的组中选择:交互网络系统的网络节点的专有名称、同义词或符号;与交互网络系统的网络节点相关联的测量值;与交互网络系统的网络节点相关联的多个测量值;交互网络的网络节点组的专有名称和同义词;交互网络系统的网络节点的符号;交互网络系统的网络节点组的符号,
其中,所述交互网络系统能够从包括以下的组中选择:互联网、社交网络、生态网络、生物网络、流行病学网络、供应网络、需求网络、购物网络、电力网络、输电网络、制造网络、交通网络、通信网络、无线网络、金融网络、蛋白质网络、蜂窝网络、蜂窝通路、代谢网络、基因网络、生理网络、器官系统网络、蜂窝通信网络、细胞信令网络、蜂窝内通信网络、神经元网络、疾病网络、细胞器网络、细菌网络、病毒网络、卫生保健网络、安全网络、犯罪网络;
第二步骤,使用所述第一交互网络系统的所述第一描述符集合以用于选择第二、第三、第四……第n交互网络系统,所述第二、第三、第四……第n交互网络系统通过使用以下过程与所述第一交互网络系统直接或间接地交互:
第一过程,用于随机选择数据库中随机所选交互网络的网络节点的特性特征,
第二过程,使用所述第一交互网络系统的所述第一描述符集合和随机所选交互网络系统的网络节点的随机所选特性特征,以用于确定所述第一描述符集合与所述数据库中的所述随机所选交互网络的网络节点的所述随机所选特性特征的同时发生频率或同时发生测量值,并记录结果,以及
第三过程,使用所述记录的结果以用于选择具有至少一个网络节点的第二、第三、第四……第n交互网络系统,所述至少一个网络节点能够与所述第一交互网络系统交互,
其中,所述数据库能够从包括以下的组中选择:Medline数据库、PubMed数据库、EMBL数据库、世界传统医学专利数据库、中国传统医学数据库、补充和替代的医学数据库、维基百科、数字化出版物的合类、由监视系统收集的测量值、由生物监视系统收集的测量值、由诊断系统收集的测量值、由可穿戴设备收集的测量值、由可穿戴电子系统收集的测量值、由可穿戴传感器收集的测量值、由可穿戴诊断系统收集的测量值、通过众包收集的测量值、医疗记录数据库、不良事件报告系统数据库、DHARA数据库、Ayurveda卫生保健系统数据库,
其中,用于确定同时发生频率或同时发生测量值的第二过程包括:选择第一描述符集合的实例和选择第二描述符集合的实例以及选择数据库以及使用文本挖掘手段,以用于确定所述数据库中的第一描述符集合的实例与第二描述符集合的实例同时发生的频率并记录结果;同样地,同时发生测量值的确定包括选择第一描述符集合的实例和选择第二描述符集合的实例以及选择数据库以及使用用于识别与所述数据库中的第一描述符集合的实例和第二描述符集合的实例相关的测量值并记录结果的手段;
第三步骤,包括用于选择所述第二、第三、第四……第n交互网络系统的网络节点的第二、第三、第四……第n组特性特征的第三方法,还包括使用所述第二、第三、第四……第n交互网络系统的所述网络节点的所述第二、第三、第四……第n组特性特征以用于创建在所述第二步骤中所选的所述第二、第三、第四……第n交互网络系统的第二、第三、第四……第n描述符集合;
第四步骤,包括第四方法:使用所述第一交互网络系统的所述第一描述符集合和使用所述第二、第三、第四……第n交互网络系统的所述第二、第三、第四……第n描述符集合和所述第二步骤的所述第二过程和所述数据库,以用于选择所述第一交互网络系统的描述符集合的子集,所述描述符集合的子集描述了与所述第二、第三、第四……第n交互网络系统的网络节点直接或间接地交互的所述第一交互网络系统的网络节点的子集,
第四过程,用于确定所述第一交互网络系统的第一、第二、第三、第四……第n子网络系统中的网络节点的数量并记录结果,其中所述结果能够被称为所述第一交互网络系统的所述子网络系统的第一、第二、第三、第四……第n子网络节点计数,还称为SN1-nCN1;
第五步骤,包括用于选择与所述第一交互网络系统直接或间接地交互的有限的一组被称为O1-m的对象的第五方法,其中所述第五方法包括第五过程:使用所述第一交互网络系统的所述第一描述符集合和使用随机所选对象的随机所选特性特征和所述第二步骤的所述第二过程以及所述数据库,以用于确定所述第一描述符集合与所述数据库中的所述随机所选对象的所述随机所选特性特征的同时发生频率或同时发生测量值,
选择同时发生频率测量值或同时发生测量阈值并使用所述阈值,以用于选择用于所述数据库中的所述描述符集合的所述同时发生频率测量值或所述同时发生测量值的发生率,并记录结果,
使用所述所选同时发生频率测量值或同时发生测量值以用于选择能够与所述第一交互网络系统的网络节点中的至少一个或多个网络节点交互的对象,并将所述所选对象记录在数据库中,
其中,所述对象从包括以下的组中选择:社交网络的成员、金融网络的成员、生态网络的成员、处方药、非处方药物、药草、天然产品、阿育吠陀药物、中国传统药物、天然药物、细菌、藻类、有机和无机化学成分、食物、营养素、维生素、微生物、病毒、补充品、移动设备、患者、客户、社区、社区成员、金融工具、债券、公司、生理网络的成员、器官系统网络的成员、蜂窝网络的成员、组织网络的成员;
第六步骤,包括选择所述所选对象的第一组特性特征和使用所述所选对象的所述特性特征作为所述所选对象的第一间歇性描述符集合,
其中,所述对象的第一组特性特征从包括以下的组中选择:数据库中的对象的专有名称和同义词、对象的符号、对象的物理性质的合类、与对象相关联的测量值的收集、对象的唯一标识符;
第七步骤,包括第六方法:使用所述对象的所述第一间歇性描述符集合和使用所述第一交互网络系统的所述第一、第二、第三、第四……第n子网络系统描述符集合以及使用所述第二步骤的所述第二过程以及使用所述数据库,以用于识别能够与所述第一交互网络系统的所述第一、第二、第三、第四……第n子网络系统的至少一个网络节点直接或间接地交互,并记录结果;
第六方法能够包括过程:使用所述第一交互网络系统的所述第一、第二、第三、第四……第n子网络系统的所述第一组间歇性对象描述符和所述第一、第二、第三、第四……第n组子网络系统描述符以及所述第二步骤的所述第二过程以及所述数据库,以用于确定所述数据库中的所述第一交互网络系统的所述子网络系统的所述第一组间歇性对象描述符和所述第一、第二、第三、第四……第n子网络系统描述符的同时发生频率或同时发生测量值,并记录结果;选择所述同时发生频率测量值或同时发生测量值的阈值,以用于选择能够与所述对象交互的所述第一交互网络系统的所述第一、第二、第三、第四……第n子网络系统中的网络节点的至少一个或多个网络节点;
第十过程,用于对用于所述子网络系统和所述对象的所述所选网络节点的数量进行计数并记录结果,其中所述结果被称为第一、第二、第三、第四……第n对象-子网络系统-交互节点计数,在下文中还被称为O1-n SN1-nICN1;
第八步骤,包括第七方法:使用所述对象的被称为O1-n SN1-nICN1的对象-子网络系统-交互节点计数作为分子,并使用所述第一交互网络系统的所述子网络系统的称为SN1-nCN1的所述子网络节点计数作为分母,以用于确定所述子网络节点计数之间的比率,并记录用于所述对象O1-m和所述子网络系统SN11-n的结果,其中被称为标准化的第一、第二、第三、第四……第n对象子网络系统-交互干扰分数的所述结果还被称为O1-mSN1-nIFSCN1;
第九步骤,包括将用于所述子网络系统的所述标准化对象-子网络系统交互干扰分数O1-mSN1-nIFSCN1记录为数据库中的所述对象的描述符;
第十步骤,包括第八方法:使用所述对象-子网络系统交互干扰分数O1-mSN1-nIFSCN1,和第十一过程,用于确定所述对象的所述对象-子网络系统交互干扰分数之间的相似性并显示结果;
其中,所述第十一过程从包括分层聚类分析、主成分分析、向量机、k均值分析、轮廓相似性分析的组中选择。
27.根据权利要求26所述的方法,其中,所述描述符被用于确定由所述对象在交互网络中诱发的信息流之间的相似性,并且其中所述交互网络从包括以下的组中选择:互联网、社交网络、生态网络、生物网络、流行病学网络、供应网络、需求网络、购物网络、电力网络、输电网络、制造网络、交通网络、通信网络、无线网络、金融网络、蛋白质网络、蜂窝网络、蜂窝通路、代谢网络、基因网络、生理网络、器官系统网络、蜂窝通信网络、细胞信令网络、蜂窝内通信网络、神经元网络、疾病网络、细胞器网络、细菌网络、病毒网络、卫生保健网络、安全网络、犯罪网络。
28.根据权利要求26所述的方法,其中,所述网络系统从包括以下的组中选择:流行病学网络、生物通信网络、蛋白质网络、蜂窝网络、蜂窝通路、代谢网络、基因网络、生理网络、器官系统网络、蜂窝通信网络、细胞信令网络、蜂窝内通信网络、神经元网络、疾病网络、细胞器网络、细菌网络、病毒网络。
29.根据权利要求26所述的方法,其中,所述对象从包括处方药、传统药物、药草、食物、天然产品、实验药物、阿育吠陀药物、微生物、感染源的组中选择。
30.根据权利要求26所述的方法,其中,所述同时发生测量值从包括由可穿戴设备产生的测量值的组中选择。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562260088P | 2015-11-25 | 2015-11-25 | |
US62/260,088 | 2015-11-25 | ||
PCT/US2016/063792 WO2017091822A1 (en) | 2015-11-25 | 2016-11-25 | Method and descriptors for comparing object-induced information flows in a plurality of interaction networks |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108604221A CN108604221A (zh) | 2018-09-28 |
CN108604221B true CN108604221B (zh) | 2022-09-09 |
Family
ID=58763702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680080002.3A Active CN108604221B (zh) | 2015-11-25 | 2016-11-25 | 用于比较多个交互网络中的对象诱发的信息流的方法和描述符 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11120346B2 (zh) |
EP (1) | EP3380946A4 (zh) |
CN (1) | CN108604221B (zh) |
CA (1) | CA3006297C (zh) |
IL (1) | IL259541B (zh) |
WO (1) | WO2017091822A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11244013B2 (en) * | 2018-06-01 | 2022-02-08 | International Business Machines Corporation | Tracking the evolution of topic rankings from contextual data |
US20240170163A1 (en) * | 2021-03-11 | 2024-05-23 | University Of Southern California | Systems and methods for detecting new drug properties in target-based drug-drug similarity networks |
CN113836526B (zh) * | 2021-09-27 | 2022-08-09 | 湖北大学 | 一种基于改进免疫网络算法的入侵检测方法及其应用 |
CN114513426B (zh) * | 2022-03-02 | 2023-09-15 | 郑州轻工业大学 | 基于节点相似度和影响力的ccn社区划分方法 |
CN114582418A (zh) * | 2022-03-08 | 2022-06-03 | 山东大学 | 一种基于网络最大信息流模型的生物标记物识别系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1556819A2 (en) * | 2002-10-29 | 2005-07-27 | Inrotis Technologies Limited | Method and apparatus for identifying components of a network having high importance for network integrity |
US7003559B1 (en) * | 2000-10-23 | 2006-02-21 | Hewlett-Packard Development Company, L.P. | System and method for determining probable network paths between nodes in a network topology |
US20070168533A1 (en) * | 2003-12-30 | 2007-07-19 | Geoffrey Canright | Method for managing networks by analyzing connectivity |
CN101084496A (zh) * | 2004-05-04 | 2007-12-05 | 波士顿咨询集团公司 | 用于选择、分析以及将相关数据库记录可视化为网络的方法和设备 |
CN103455322A (zh) * | 2012-06-01 | 2013-12-18 | 波音公司 | 用于提供关于网络中的对象的实时信息的方法和系统 |
US20140040264A1 (en) * | 2011-02-04 | 2014-02-06 | Hgh Tech Campus | Method for estimation of information flow in biological networks |
CN103797495A (zh) * | 2011-04-19 | 2014-05-14 | 眼锁股份有限公司 | 生物度量来源链 |
US20140207945A1 (en) * | 2012-05-04 | 2014-07-24 | Fishy & Madge Pty Ltd. | Network data analysis |
CN104052647A (zh) * | 2013-03-12 | 2014-09-17 | 国际商业机器公司 | 使用社交网络分析来调度通信的系统和方法 |
US8880521B2 (en) * | 2004-09-15 | 2014-11-04 | 3Degrees Llc | Collections of linked databases |
CN104322028A (zh) * | 2012-05-01 | 2015-01-28 | 贺利实公司 | 用于动态地改变网络状态的系统及方法 |
US8976710B2 (en) * | 2011-12-27 | 2015-03-10 | Infosys Limited | Methods for discovering and analyzing network topologies and devices thereof |
US20150081323A1 (en) * | 2012-04-02 | 2015-03-19 | Molecular Health Gmbh | Systems and methods for disease knowledge modeling and clinical decision support |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2801906B1 (en) | 2013-05-08 | 2017-01-11 | Accenture Global Services Limited | Source code flow analysis using information retrieval |
-
2016
- 2016-11-25 WO PCT/US2016/063792 patent/WO2017091822A1/en active Application Filing
- 2016-11-25 EP EP16869345.5A patent/EP3380946A4/en active Pending
- 2016-11-25 CN CN201680080002.3A patent/CN108604221B/zh active Active
- 2016-11-25 US US15/778,448 patent/US11120346B2/en active Active
- 2016-11-25 CA CA3006297A patent/CA3006297C/en active Active
-
2018
- 2018-05-23 IL IL259541A patent/IL259541B/en active IP Right Grant
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7003559B1 (en) * | 2000-10-23 | 2006-02-21 | Hewlett-Packard Development Company, L.P. | System and method for determining probable network paths between nodes in a network topology |
EP1556819A2 (en) * | 2002-10-29 | 2005-07-27 | Inrotis Technologies Limited | Method and apparatus for identifying components of a network having high importance for network integrity |
US20070168533A1 (en) * | 2003-12-30 | 2007-07-19 | Geoffrey Canright | Method for managing networks by analyzing connectivity |
CN101084496A (zh) * | 2004-05-04 | 2007-12-05 | 波士顿咨询集团公司 | 用于选择、分析以及将相关数据库记录可视化为网络的方法和设备 |
US8880521B2 (en) * | 2004-09-15 | 2014-11-04 | 3Degrees Llc | Collections of linked databases |
US20140040264A1 (en) * | 2011-02-04 | 2014-02-06 | Hgh Tech Campus | Method for estimation of information flow in biological networks |
CN103797495A (zh) * | 2011-04-19 | 2014-05-14 | 眼锁股份有限公司 | 生物度量来源链 |
US8976710B2 (en) * | 2011-12-27 | 2015-03-10 | Infosys Limited | Methods for discovering and analyzing network topologies and devices thereof |
US20150081323A1 (en) * | 2012-04-02 | 2015-03-19 | Molecular Health Gmbh | Systems and methods for disease knowledge modeling and clinical decision support |
CN104322028A (zh) * | 2012-05-01 | 2015-01-28 | 贺利实公司 | 用于动态地改变网络状态的系统及方法 |
US20140207945A1 (en) * | 2012-05-04 | 2014-07-24 | Fishy & Madge Pty Ltd. | Network data analysis |
CN103455322A (zh) * | 2012-06-01 | 2013-12-18 | 波音公司 | 用于提供关于网络中的对象的实时信息的方法和系统 |
CN104052647A (zh) * | 2013-03-12 | 2014-09-17 | 国际商业机器公司 | 使用社交网络分析来调度通信的系统和方法 |
Non-Patent Citations (2)
Title |
---|
Modeling Information Flow in Biological Networks;Yoo-Ah Kim 等;《Phys Biol》;20110630;全文 * |
复杂网络上的疾病传播动力学研究;祝光湖;《中国博士学位论文全文数据库 医药卫生科技辑》;20131130;全文 * |
Also Published As
Publication number | Publication date |
---|---|
EP3380946A1 (en) | 2018-10-03 |
IL259541B (en) | 2020-06-30 |
CA3006297C (en) | 2023-09-05 |
WO2017091822A1 (en) | 2017-06-01 |
CA3006297A1 (en) | 2017-06-01 |
IL259541A (en) | 2018-07-31 |
US20180349779A1 (en) | 2018-12-06 |
US11120346B2 (en) | 2021-09-14 |
CN108604221A (zh) | 2018-09-28 |
EP3380946A4 (en) | 2019-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108604221B (zh) | 用于比较多个交互网络中的对象诱发的信息流的方法和描述符 | |
Asquith et al. | HLA alleles associated with risk of ankylosing spondylitis and rheumatoid arthritis influence the gut microbiome | |
Kowarsky et al. | Numerous uncharacterized and highly divergent microbes which colonize humans are revealed by circulating cell-free DNA | |
Waltonen et al. | Metastatic carcinoma of the neck of unknown primary origin: evolution and efficacy of the modern workup | |
Gerami et al. | Sensitivity of fluorescence in situ hybridization for melanoma diagnosis using RREB1, MYB, Cep6, and 11q13 probes in melanoma subtypes | |
Wu et al. | An investigation of PIK3CA mutations in isolated macrodactyly | |
Khan et al. | Observation of cleft palate in an individual with Sox11 mutation: indication of a role for Sox11 in human palatogenesis | |
Gupta et al. | Development and validation of a novel at-home smell assessment | |
Alward et al. | Myocilin mutations in patients with normal-tension glaucoma | |
Liu et al. | Clinical and epidemiological characteristics of a young child infected with avian influenza A (H9N2) virus in China | |
Bruehl et al. | Inflammatory pseudotumor-like follicular/fibroblastic dendritic cell sarcomas of the spleen are EBV-associated and lack other commonly identifiable molecular alterations | |
Low et al. | Diagnostic value of Epstein-Barr viral serology in nasopharyngeal carcinoma | |
Suryadevara et al. | Nasopharyngeal detection of respiratory viruses in febrile neutropenic children | |
Ehrlich et al. | The time is now for gene-and genome-based bacterial diagnostics:“You Say You Want a Revolution” | |
Stoddard et al. | Detection of microbiota in post radiation sinusitis | |
Seimon et al. | A novel herpesvirus in 3 species of pheasants: mountain peacock pheasant (Polyplectron inopinatum), Malayan peacock pheasant (Polyplectron malacense), and Congo peafowl (Afropavo congensis) | |
Song et al. | Use of dipstick assay and rapid PCR-DNA analysis of nasal secretions for diagnosis of bacterial sinusitis in children with chronic cough | |
Chen et al. | Ameloblastic carcinoma of the maxilla: a rare case report and review of literature from 1948 to 2021 | |
Savona et al. | Detection of vaccinia DNA in the blood following smallpox vaccination | |
Preciado et al. | Panel 8: report on recent advances in molecular and cellular biochemistry | |
CN107851136A (zh) | 用于对未知重要性的变体划分优先级顺序的系统和方法 | |
Foulon et al. | Detection of CMV DNA in the perilymph of a 6-year-old boy with congenital cytomegalovirus infection | |
Gravel et al. | 7. Diagnosis and Screening | |
Srebniak et al. | The usefulness of calyculin A for cytogenetic prenatal diagnosis | |
Yang et al. | Metagenomic sequencing and histology on a chronic wound identified Epstein-Barr Virus-Associated Lymphoma |
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 |