CN110827916A - 一种精神分裂症基因-基因互作网络及其构建方法 - Google Patents

一种精神分裂症基因-基因互作网络及其构建方法 Download PDF

Info

Publication number
CN110827916A
CN110827916A CN201911021952.0A CN201911021952A CN110827916A CN 110827916 A CN110827916 A CN 110827916A CN 201911021952 A CN201911021952 A CN 201911021952A CN 110827916 A CN110827916 A CN 110827916A
Authority
CN
China
Prior art keywords
gene
genes
schizophrenia
network
score
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.)
Granted
Application number
CN201911021952.0A
Other languages
English (en)
Other versions
CN110827916B (zh
Inventor
杨新平
高玥
梁小珍
任重鲁
李彦君
迟雅丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanfang Hospital of Southern Medical University
Original Assignee
Nanfang Hospital of Southern Medical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanfang Hospital of Southern Medical University filed Critical Nanfang Hospital of Southern Medical University
Priority to CN201911021952.0A priority Critical patent/CN110827916B/zh
Publication of CN110827916A publication Critical patent/CN110827916A/zh
Application granted granted Critical
Publication of CN110827916B publication Critical patent/CN110827916B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • 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
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Psychiatry (AREA)
  • Primary Health Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Databases & Information Systems (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Epidemiology (AREA)
  • Bioethics (AREA)
  • Public Health (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Genetics & Genomics (AREA)
  • Molecular Biology (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

本发明公开了一种精神分裂症基因‑基因互作网络的构建方法，所述构建方法包括以下步骤：①收集已知精神分裂症候选基因；②将上述收集的已知精神分裂症候选基因映射在人类蛋白质‑蛋白质互作网络，转换成以基因命名的相互作用网络；③对网络中的所有基因进行R‑score赋值，对网络中的所有基因进行G‑score赋值，对每条边赋予权重；④构造节点间最短路径矩阵；以“游走扩展”法提取初步网络；⑤提取最终网络，输出结果。本发明构建精神分裂症基因‑基因互作网络移除了部分假阳性基因，囊括进来了更多的与精神分裂症相关的潜在候选基因，富集分析结果表明，保留的基因与精神分裂症更相关，表明本发明构建的基因互作网络质量更优。

Description

一种精神分裂症基因-基因互作网络及其构建方法
技术领域
本发明属于生物技术领域，具体涉及一种精神分裂症基因-基因互作网络及其构建方法。
背景技术
精神分裂症是可遗传的精神障碍，疾病特征在于阳性和阴性表现和症状以及通常在早期成年期开始并且通常持续终生的认知功能障碍。近些年精神分裂症的研究热点主要集中在致病候选基因的搜寻，这些研究结果表明，精神分裂症具有高度的遗传异质性。
寻找疾病信号通路中风险基因的传统方法是检测蛋白-蛋白相互作用，如对DISC1的研究，但对于致病基因数目众多的精神分裂症，逐一对于单个基因进行功能研究不但效率低，而且得不到基因之间相互协调和共同作用的信息。也有些研究将突变映射在KEGG信号通路发现风险基因富集在细胞粘附分子通路，但信号通路并非单独作用，许多其它的分子通路也会参与其中，且目前绝大部分突变的致病机理并不清楚，也尚未有人系统地研究精神分裂症的致病候选基因突变导致精神分裂症的相关致病通路。
人们已认识到蛋白与蛋白之间的相互作用在细胞分子信号通路网络中起着特别重要的作用，并且试图通过致病基因的蛋白质-蛋白质相互作用网络来研究疾病的分子机制。从系统生物学的角度来看，精神分裂症的疾病风险基因可能作用于一个共同的分子网络，这样的共同分子作用网络可能涉及到多个信号通路来执行相关的细胞功能。2013年，Gulsuner(Gulsuner,S.,Walsh,T.,Watts,A.C.,Lee,M.K.,Thornton,A.M.,Casadei,S.,Rippey,C.,Shahin,H.,Nimgaonkar,V.L.,Go,R.C.,Savage,R.M.,Swerdlow,N.R.,Gur,R.E.,Braff,D.L.,King,M.C.,and McClellan,J.M.(2013)Spatial and temporalmapping of de novo mutations in schizophrenia to a fetal prefrontal corticalnetwork.Cell154,518-529)等人通过整合精神分裂症患者的新生突变和正常人脑不同区域、不同发育阶段的转录组数据，得到了共表达和蛋白-蛋白相互作用的网络模块，这些模块显示出神经元迁移、突触传递、信号转导、转录调控和物质转运的基因功能富集。这样的整合分析可以推断出疾病发病机制可能涉及的大脑部位和发育阶段、突变基因产物的可能功能。
基因存在于生物体内的功能之一便是翻译蛋白质，通过蛋白质活性的表现，决定生物体的表型。换而言之，生物的各种性状几乎都是基因之间相互作用、调控各个基因表达的结果。所谓基因之间的相互作用，是指不同基因存在的表达调控关系，一般都是一个基因的表达产物作用于另一个基因，影响另一个基因的转录、翻译过程，这些相互影响，相互作用，相互制约的关系就构成了基因互作网络。
发明内容
本发明旨在提供一种精神分裂症基因-基因互作网络的构建方法。
为了实现上述发明目的，本发明的技术解决方案是：一种精神分裂症基因-基因互作网络的构建方法，按以下步骤进行：
步骤①：利用生物信息学方法从数据库中收集已知精神分裂症候选基因；
步骤②：将上述收集的已知精神分裂症候选基因映射在人类蛋白质-蛋白质互作网络，转换成以基因命名的相互作用网络；该网络中包含精神分裂症候选基因和非精神分裂症候选基因，每个基因作为一个节点，每两个基因之间的信号通路连线构成了网络的边；
步骤③：对网络中的所有基因进行R-score赋值，对每个精神分裂症候选基因根据其在不同数据库中出现的次数赋值R-score，非精神分裂症候选基因R-score均为0；对网络中的所有基因进行G-score赋值，每个精神分裂症候选基因赋值G-score等于其R-score，每个非精神分裂症候选基因赋值G-score，对每条边赋予权重；
其中，R-score＝1-1.4-X，X是该基因在所述步骤①数据库中被报道的次数；G-score＝与该基因相互作用基因的R-score的平均值；权重＝该条边相连两个G-score值加和的倒数；
步骤④：用R语言igraph包中的distances函数根据权重计算构造节点间最短路径矩阵，得到每个节点到任一节点的最短距离；以“游走扩展”法提取初步网络；
步骤⑤：合并所提取的所有节点，用Cytoscape提取最终网络，输出结果。
优选地，步骤①中所述精神分裂症候选基因从HGMD、SzGene、SZDB、SZGR、PheGenI、SNPedia和Literature数据库取并集获得。
优选地，步骤②中所述人类蛋白质-蛋白质互作网络来源于inBio Map数据库。
优选地，步骤①中使用Cytoscape将上述收集的已知精神分裂症候选基因映射在人类蛋白质-蛋白质互作网络，转换成以基因命名的相互作用网络。
优选地，所述步骤④中提取初步网络的具体方法为：以每个精神分裂症候选基因为起点，以步长0.5为半径向外扩展，若每扩大一个0.5步长，候选基因的比例显著减少，则保留内层基因集。
优选地，所述步骤⑤中提取最终网络的具体方法为：按候选基因比例为85～90％，且步长为2.5～4.0的参数提取网络，同时移除仅出现在一个基因集中的基因。
优选地，所述候选基因比例为90％，步长为3.5。
除此之外，本发明另一目的在于提供上述方法构建的精神分裂症基因-基因互作网络。
与现有技术相比，本发明具有以下有益效果：
与传统方法相比，本发明构建精神分裂症基因-基因互作网络的方法更具有优势，提取的网络移除了公开的精神分裂症候选基因中的部分假阳性基因，囊括进来了更多的与精神分裂症相关的潜在候选基因，富集分析结果表明，保留的基因与精神分裂症更相关，表明本发明构建的基因互作网络质量更优。
附图说明
图1为以“游走扩展法”提取网络示意图；
图2为保留基因及移除基因富集精神分裂症差异表达基因的比较结果；
图3为保留基因及移除基因富集精神分裂症突变基因的比较结果；
图4为保留基因及移除基因富集脑特异表达基因的比较结果；
图5为保留基因及移除基因富集组织特异性基因的比较结果。
具体实施例方式
以下通过实施例形式的具体实施方法，对本发明的上述内容作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下实施例。
为了更好地理解本发明,下面提供相关的解释和说明:
HGMD：全称Human Gene Mutation Database，人类基因突变数据库(
Figure BDA0002245899970000031
)包含所有已知(已发表的)导致人类遗传性疾病的基因病变。
SzGene：全称SchizophreniaGene，精神分裂症遗传相关研究的在线数据库。
SZDB：全称A database for Schizophrenia Genetic Research，精神分裂症数据库(szdb)，是一个用于精神分裂症研究的综合资源，该数据库整合了与精神分裂症相关的数据：遗传数据(来自pgc2的snp关联，全基因组意义重大的snps和基因，受cnvs影响的基因，融合功能基因组学(cfg)的基因，夏洛克综合分析的基因，通过关联和连锁研究)、基因表达数据(时空表达模式和差异表达基因)、基于网络的数据(ppi和共表达)、脑eqtl数据、编码数据以及snp功能注释信息。
SZGR：全称Schizophrenia gene resource，精神分裂症基因库。
PheGenI：Phenotype–Genotype Integrator,该数据库将NHGRI全基因组关联研究(GWAS)目录数据与国家生物技术信息中心(NCBI)的几个数据库合并，包括Gene，dbGaP，OMIM，eQTL和dbSNP。
SNPedia：网址:https://www.snpedia.com/index.php/Schizophrenia。
Literature：Schizophrenia Working Group of the Psychiatric Genomics,C.Biological insights from 108schizophrenia-associated genetic loci.Nature511,421-427,doi:10.1038/nature13595(2014).
实施例中所使用的实验方法如无特殊说明,均为常规方法,所用的材料、试剂等，如无特殊说明，均可从商业途径得到。
实施例1、精神分裂症基因-基因互作网络构建
步骤①：精神分裂症相关候选基因收集：利用生物信息学方法从数据库HGMD、SzGene、SZDB、SZGR、NCBI PheGenI、SNPedia和Literature中收集精神分裂症候选基因，并取并集获得3,437个已知精神分裂症候选基因；
步骤②：将上述收集的精神分裂症候选基因使用Cytoscape(版本3.4.3)映射在人类蛋白质-蛋白质互作网络(来源于inBio Map数据库)，转换成以基因命名的相互作用网络，该网络中每个基因作为一个节点，将每两个具有相互作用的基因用一条线(边)连接起来，最终得到包括17,210个基因，597,859条基因-基因相互作用边的网络，其中，17,210个基因中包含3,265个精神分裂症候选基因和13,945个非精神分裂症候选基因；
步骤③：初始赋值：对网络中的所有基因进行R-score赋值，对每个精神分裂症候选基因根据其在不同数据库中出现的次数赋值R-score，非精神分裂症候选基因R-score均为0，接着对网络中的所有基因进行G-score赋值，每个精神分裂症候选基因赋值G-score等于其R-score，每个非精神分裂症候选基因赋值G-score，对每条边赋予权重；
其中，R-score＝1-1.4-X，X是该基因在所述步骤①数据库中被报道的次数；G-score＝与该基因相互作用基因的R-score的平均值；权重＝该条边相连两个G-score值加和的倒数；
步骤④：用R语言igraph包中的distances函数根据权重计算构造节点间最短路径矩阵，得到每个节点到任一节点的最短距离；以每个精神分裂症候选基因为起点，以步长0.5为半径向外扩展，若每扩大一个0.5步长，候选基因的比例显著减少，则保留内层基因集(具体如图1所示)；
步骤⑤：合并所提取的所有节点，用Cytoscape提取最终网络，提取参数为：候选基因比例为90％，步长为3.5，为尽可能避免假阳性，移除仅出现在一个基因集中的基因，最终得到包含3,975个基因，92,318个基因-基因相互作用的精神分裂症网络，该网络相较于步骤②中的3,265个精神分裂症候选基因，移除了392个假阳性基因，新增了1,102个与精神分裂症更相关的潜在候选基因，移除基因如表1所示，增加的潜在候选基因如表2所示。
表1移除的基因列表
Figure BDA0002245899970000041
Figure BDA0002245899970000051
Figure BDA0002245899970000061
表2增加的潜在候选基因列表
Figure BDA0002245899970000062
Figure BDA0002245899970000071
Figure BDA0002245899970000081
实施例2、富集分析
为了检测本发明是否更优，是否囊括了更多的风险基因并移除了假阳性的候选基因，为此，整合了大规模二代测序研究得到的精神分裂症差异表达基因、疾病-对照组发现的突变以及人体的组织特异性基因，通过富集分析，使用双尾Fisher精确检验，检验保留基因和移除的基因哪个更富集，富集结果如图2-4所示：
从图2可看出，与移除的基因相比，保留的基因显著富集疾病-对照差异表达基因，双尾Fisher精确检验结果表示，保留与移除节点间P＝0.0007302421，保留的候选基因与移除的候选基因间P＝0.470523,保留的非候选基因与移除的非候选基因P＝0.471481；
从图3可以看出，与移除的基因相比，保留的基因显著富集疾病-对照突变基因，双尾fi sher精确检验结果表示，保留与移除节点间p＝5.982661e-98，保留的候选基因与移除的候选基因间p＝7.508186e-07，保留的非候选基因与移除的非候选基因间p＝0.01830605；
从图4可以看出，与移除的基因相比，保留的基因显著富集脑特异表达基因，双尾fishe r精确检验，保留与移除节点间p＝2.328268e-99，保留的候选基因与移除的候选基因间p＝1，保留的非候选基因与移除的非候选基因间p＝6.082373e-11。
从以上结果可看出，移除的候选基因显示出较低疾病-对照富集差异表达基因以及突变，表明一些假阳性的候选基因被移除了，保留的基因更富集疾病-对照突变以及脑特异表达基因，表明囊括了更多的精神分裂症风险基因进来。同时组织特异性基因的富集结果表明，与移除的基因相比，保留的基因更多的参与了脑相关功能(图5)。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (8)

1.一种精神分裂症基因-基因互作网络的构建方法，其特征在于，按以下步骤进行：
步骤①：利用生物信息学方法从数据库中收集已知精神分裂症候选基因；
步骤②：将上述收集的已知精神分裂症候选基因映射在人类蛋白质-蛋白质互作网络，转换成以基因命名的相互作用网络；该网络中包含精神分裂症候选基因和非精神分裂症候选基因，每个基因作为一个节点，每两个基因之间的信号通路连线构成了网络的边；
步骤③：对网络中的所有基因进行R-score赋值，对每个精神分裂症候选基因根据其在不同数据库中出现的次数赋值R-score，非精神分裂症候选基因R-score均为0；对网络中的所有基因进行G-score赋值，每个精神分裂症候选基因赋值G-score等于其R-score，每个非精神分裂症候选基因赋值G-score，对每条边赋予权重；
其中，R-score＝1-1.4-X，X是该基因在所述步骤①数据库中被报道的次数；G-score＝与该基因相互作用基因的R-score的平均值；权重＝该条边相连两个G-score值加和的倒数；
步骤④：用R语言igraph包中的distances函数根据权重计算构造节点间最短路径矩阵，得到每个节点到任一节点的最短距离；以“游走扩展”法提取初步网络；
步骤⑤：合并所提取的所有节点，用Cytoscape提取最终网络，输出结果。
2.如权利要求1所述的构建方法，其特征在于，所述步骤①中所述精神分裂症候选基因从HGMD、SzGene、SZDB、SZGR、PheGenI、SNPedia和Literature数据库取并集获得。
3.如权利要求1所述的构建方法，其特征在于，所述步骤②中所述人类蛋白质-蛋白质互作网络来源于inBio Map数据库。
4.如权利要求1所述的构建方法，其特征在于，所述步骤①中使用Cytoscape将上述收集的已知精神分裂症候选基因映射在人类蛋白质-蛋白质互作网络，转换成以基因命名的相互作用网络。
5.如权利要求1所述的构建方法，其特征在于，所述步骤④中提取初步网络的具体方法为：以每个精神分裂症候选基因为起点，以步长0.5为半径向外扩展，若每扩大一个0.5步长，候选基因的比例显著减少，则保留内层基因集。
6.如权利要求1或5所述的构建方法，其特征在于，所述步骤⑤中提取最终网络的具体方法为：按候选基因比例为85～90％，且步长为2.5～4.0的参数提取网络，同时移除仅出现在一个基因集中的基因。
7.如权利要求6所述的构建方法，其特征在于，所述候选基因比例为90％，步长为3.5。
8.如权利要求1～7任一所述方法构建的精神分裂症基因-基因互作网络。
CN201911021952.0A 2019-10-24 2019-10-24 一种精神分裂症基因-基因互作网络的构建方法 Expired - Fee Related CN110827916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911021952.0A CN110827916B (zh) 2019-10-24 2019-10-24 一种精神分裂症基因-基因互作网络的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911021952.0A CN110827916B (zh) 2019-10-24 2019-10-24 一种精神分裂症基因-基因互作网络的构建方法

Publications (2)

Publication Number Publication Date
CN110827916A true CN110827916A (zh) 2020-02-21
CN110827916B CN110827916B (zh) 2021-12-14

Family

ID=69551021

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911021952.0A Expired - Fee Related CN110827916B (zh) 2019-10-24 2019-10-24 一种精神分裂症基因-基因互作网络的构建方法

Country Status (1)

Country Link
CN (1) CN110827916B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115019884A (zh) * 2022-05-13 2022-09-06 华东交通大学 一种融合多组学数据的网络标志物识别方法
CN115116561A (zh) * 2022-06-29 2022-09-27 南方医科大学南方医院 一种药物-靶蛋白-精神分裂症互作网络的构建方法及其应用
CN115206420A (zh) * 2022-06-27 2022-10-18 南方医科大学南方医院 一种精神分裂症异常基因-代谢调控网络的构建方法及应用
CN115547417A (zh) * 2022-10-18 2022-12-30 南方医科大学南方医院 一种疾病lncRNA-转录因子-靶基因层级调控网络的构建方法和应用
CN119541651A (zh) * 2024-10-24 2025-02-28 南方医科大学南方医院 基于堆叠模型的肥胖遗传风险模型构建方法、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101110095A (zh) * 2006-07-20 2008-01-23 中国科学院自动化研究所 一种对常见脑疾病易感基因的批量检测方法
CN102086473A (zh) * 2010-05-12 2011-06-08 天津市泌尿外科研究所 人类多基因疾病关键基因的无向网络筛选方法
CN105389483A (zh) * 2015-11-10 2016-03-09 中国人民解放军第四军医大学 一种蛋白质互作网络构建的方法
CN105740651A (zh) * 2016-03-07 2016-07-06 吉林大学 一种特定癌症差异表达基因调控网络的构建方法
CN106599607A (zh) * 2016-12-13 2017-04-26 北京林业大学 一种光合通路基因调控网络的构建方法
CN107169310A (zh) * 2017-03-20 2017-09-15 上海基银生物科技有限公司 一种基因检测知识库构建方法及系统
CN107680692A (zh) * 2017-09-13 2018-02-09 华中科技大学鄂州工业技术研究院 中药及中药制剂的网络药理分析方法以及系统
CN109033748A (zh) * 2018-08-14 2018-12-18 齐齐哈尔大学 一种基于多组学的miRNA功能识别方法
CN109872772A (zh) * 2019-02-14 2019-06-11 辽宁省肿瘤医院 利用权重基因共表达网络挖掘结直肠癌放疗特异性基因的方法
CN110136773A (zh) * 2019-04-02 2019-08-16 上海交通大学 一种基于深度学习的植物蛋白质互作网络构建方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101110095A (zh) * 2006-07-20 2008-01-23 中国科学院自动化研究所 一种对常见脑疾病易感基因的批量检测方法
CN102086473A (zh) * 2010-05-12 2011-06-08 天津市泌尿外科研究所 人类多基因疾病关键基因的无向网络筛选方法
CN105389483A (zh) * 2015-11-10 2016-03-09 中国人民解放军第四军医大学 一种蛋白质互作网络构建的方法
CN105740651A (zh) * 2016-03-07 2016-07-06 吉林大学 一种特定癌症差异表达基因调控网络的构建方法
CN106599607A (zh) * 2016-12-13 2017-04-26 北京林业大学 一种光合通路基因调控网络的构建方法
CN107169310A (zh) * 2017-03-20 2017-09-15 上海基银生物科技有限公司 一种基因检测知识库构建方法及系统
CN107680692A (zh) * 2017-09-13 2018-02-09 华中科技大学鄂州工业技术研究院 中药及中药制剂的网络药理分析方法以及系统
CN109033748A (zh) * 2018-08-14 2018-12-18 齐齐哈尔大学 一种基于多组学的miRNA功能识别方法
CN109872772A (zh) * 2019-02-14 2019-06-11 辽宁省肿瘤医院 利用权重基因共表达网络挖掘结直肠癌放疗特异性基因的方法
CN110136773A (zh) * 2019-04-02 2019-08-16 上海交通大学 一种基于深度学习的植物蛋白质互作网络构建方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115019884A (zh) * 2022-05-13 2022-09-06 华东交通大学 一种融合多组学数据的网络标志物识别方法
CN115019884B (zh) * 2022-05-13 2023-11-03 华东交通大学 一种融合多组学数据的网络标志物识别方法
CN115206420A (zh) * 2022-06-27 2022-10-18 南方医科大学南方医院 一种精神分裂症异常基因-代谢调控网络的构建方法及应用
CN115116561A (zh) * 2022-06-29 2022-09-27 南方医科大学南方医院 一种药物-靶蛋白-精神分裂症互作网络的构建方法及其应用
CN115547417A (zh) * 2022-10-18 2022-12-30 南方医科大学南方医院 一种疾病lncRNA-转录因子-靶基因层级调控网络的构建方法和应用
CN115547417B (zh) * 2022-10-18 2023-05-26 南方医科大学南方医院 一种疾病lncRNA-转录因子-靶基因层级调控网络的构建方法和应用
CN119541651A (zh) * 2024-10-24 2025-02-28 南方医科大学南方医院 基于堆叠模型的肥胖遗传风险模型构建方法、设备及介质

Also Published As

Publication number Publication date
CN110827916B (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
CN110827916A (zh) 一种精神分裂症基因-基因互作网络及其构建方法
Sun et al. Chromosome-scale and haplotype-resolved genome assembly of a tetraploid potato cultivar
Siu et al. Functional DNA methylation signatures for autism spectrum disorder genomic risk loci: 16p11. 2 deletions and CHD8 variants
Girdhar et al. Chromatin domain alterations linked to 3D genome organization in a large cohort of schizophrenia and bipolar disorder brains
US9639659B2 (en) Ancestral-specific reference genomes and uses in identifying a candidate for a clinical trial
Sebastiani et al. The genetics of extreme longevity: lessons from the new England centenarian study
Diouf et al. QTL mapping of fiber quality and yield-related traits in an intra-specific upland cotton using genotype by sequencing (GBS)
Brandon et al. MITOMASTER: a bioinformatics tool for the analysis of mitochondrial DNA sequences
Platig et al. Bipartite community structure of eQTLs
He et al. Genome-wide meta-analysis identifies risk loci and improves disease prediction of age-related macular degeneration
Jia et al. Investigating rare pathogenic/likely pathogenic exonic variation in bipolar disorder
Ross et al. A rare variant in CACNA1D segregates with 7 bipolar I disorder cases in a large pedigree
CN108998507A (zh) 一种应用于人群复杂亲缘关系鉴定的无创高通量检测方法
Limongelli et al. Genotype-phenotype correlation: A triple DNA mutational event in a boy entering sport conveys an additional pathogenicity risk
Zhou et al. Common genetic risk factors in ASD and ADHD co-occurring families
CN117457065A (zh) 一种基于单细胞多组学数据识别表型相关细胞类型的方法和系统
Bi et al. Sslpheno: a self-supervised learning approach for gene–phenotype association prediction using protein–protein interactions and gene ontology data
CN105838720B (zh) Ptprq基因突变体及其应用
CN111128300A (zh) 基于突变信息的蛋白相互作用影响判断方法
KR102440452B1 (ko) 핵산서열 분석 기반 유전자 변이 해석 방법
CN111564180B (zh) 一种鮡科鱼类古染色体进化比较分析的方法
Liu et al. Correlation analysis between language gene polymorphism and geography/society parameter from twenty-six countries
CN114438230A (zh) 人类三月龄胚胎下颌骨组织的细胞发育图谱及标志基因
Walker et al. Genetic control of gene expression and splicing in the developing human brain
Liu et al. Psychiatric genetics, epigenetics, and cellular models in coming years

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20211214