Mô hình lọc cộng tác dựa trên xác suất để dự đoán mối liên hệ gene–bệnh

BMC Medical Genomics - Tập 10 - Trang 45-53 - 2017
Xiangxiang Zeng1,2, Ningxiang Ding1, Alfonso Rodríguez-Patón2, Quan Zou3
1Department of Computer Science, School of Information Science and Technology, Xiamen University, Xiamen, China
2Department of Artificial Intelligence, Universidad Politcnica de Madrid (UPM), Madrid, Spain
3School of Computer Science and Technology, Tianjin University, Tianjin, China

Tóm tắt

Việc dự đoán chính xác các gene gây bệnh ở người đã gặp nhiều thách thức trong các nghiên cứu gần đây. Với việc xem xét dữ liệu gene–bệnh phong phú được xác minh qua các thí nghiệm sinh học, chúng ta có thể áp dụng các phương pháp tính toán để thực hiện các dự đoán chính xác với thời gian và chi phí giảm thiểu. Chúng tôi đề xuất một mô hình lọc cộng tác dựa trên xác suất (PCFM) để dự đoán các gene gây bệnh ở người. Nhiều loại dữ liệu, bao gồm dữ liệu của con người và dữ liệu của các loài phi nhân, được tích hợp trong mô hình của chúng tôi. Đầu tiên, dựa trên một mô hình phân tích ẩn điển hình, chúng tôi đề xuất mô hình I với các điều chỉnh không đồng nhất trung bình. Thứ hai, chúng tôi phát triển mô hình II đã được chỉnh sửa với các điều chỉnh không đồng nhất cá nhân để nâng cao độ chính xác của các mô hình đã đề cập. Trong mô hình này, các chỉ số tương đồng không gian vector hoặc hệ số tương quan Pearson cũng như dữ liệu trên các loài có liên quan cũng được sử dụng. Chúng tôi so sánh kết quả của PCFM với kết quả của bốn phương pháp tiên tiến khác. Kết quả cho thấy rằng PCFM hoạt động tốt hơn so với các phương pháp tiên tiến khác. Mô hình PCFM có thể được tận dụng cho việc dự đoán các gene gây bệnh, đặc biệt là cho các gene mới ở người hoặc các bệnh không có mối quan hệ đã biết.

Từ khóa

#gene #bệnh #mô hình lọc cộng tác #dự đoán #xác suất

Tài liệu tham khảo

Giallourakis C, Henson C, Reich M, Xie X, Mootha VK. Disease gene discovery through integrative genomics. Annu Rev Genomics Hum Genet. 2005;6:381–406.

Wolfe CJ, Kohane IS, Butte AJ. Systematic survey reveals general applicability of “guilt-by-association” within gene coexpression networks. BMC Bioinform. 2005;6:1.

Wu X, Jiang R, Zhang MQ, Li S. Network-based global inference of human disease genes. Mol Syst Biol. 2008;4:189.

Köhler S, Bauer S, Horn D, Robinson PN. Walking the interactome for prioritization of candidate disease genes. Am J Hum Genet. 2008;82:949–58.

Vanunu O, Magger O, Ruppin E, Shlomi T, Sharan R. Associating genes and protein complexes with disease via network propagation. PLoS Comput Biol. 2010;6:e1000641.

Li Y, Patra JC. Genome-wide inferring gene–phenotype relationship by walking on the heterogeneous network. Bioinformatics. 2010;26:1219–24.

Singh-Blom UM, Natarajan N, Tewari A, Woods JO, Dhillon IS, Marcotte EM. Prediction and validation of gene-disease associations using methods inspired by social network analyses. PLoS One. 2013;8:e58977.

Natarajan N, Dhillon IS. Inductive matrix completion for predicting gene–disease associations. Bioinformatics. 2014;30:i60–8.

Piro RM, Cunto FD. Computational approaches to disease-gene prediction: rationale, classification and successes. FEBS J. 2012;279:678–96.

Hamosh A, Scott AF, Amberger JS, et al. Online Mendelian inheritance in man (OMIM), a knowledgebase of human genes and genetic disorders. Nucleic Acids Res 2005;33: D514–D517, 2015.

Driel MAV, Bruggeman J, Vriend G, Han GB, Leunissen JAM. A text-mining analysis of the human phenome. Eur J Human. 2006;14:535–42.

Barabási AL, Gulbahce N, Loscalzo J. "Network medicine: a network-based approach to human disease." Nature Reviews Genetics 12.1. 2011:56–68.

Yu Q, Besenbacher S, Mailund T, Schierup MH. Identifying disease associated genes by network propagation. BMC Syst Biol. 2014;8(Suppl 1):149–65.

Berger B, Peng J, Singh M. "Computational solutions for omics data." Nature Reviews Genetics 14.5. 2013:333–346.

Mcpherson M, Smithlovin L, Cook JM. Birds of a feather: Homophily in social networks. Annu Rev Sociol. 2003;27:415–44.

Goldberg D, Nichols D, Oki BM, Terry D. Using collaborative filtering to weave an information tapestry. Commun ACM. 1992;35:61–70.

Schafer JB, Dan F, Herlocker J, Sen S. Collaborative filtering recommender systems. In: The adaptive web, methods and strategies of web personalization; 2007. p. 46–5.

Linden G, Smith B, York J. Amazon.Com recommendations: item-to-item collaborative filtering. IEEE Internet Comput. 2003;7:76–80.

Su X, Khoshgoftaar TM. A survey of collaborative filtering techniques. Adv Artificial Intellig. 2009;2009. doi:10.1155/2009/421425.

Bennett J, Lanning S, Netflix N. The Netflix prize. In: Kdd cup and workshop in conjunction with Kdd; 2009.

Koren Y. Factorization meets the neighborhood: a multifaceted collaborative filtering model. In: ACM SIGKDD international conference on knowledge discovery and data mining, Las Vegas, Nevada, Usa, August, 2008, pp. 426-434.

Liu F, Hong JL. Use of social network information to enhance collaborative filtering performance. Expert Syst Appl. 2010;37:4772–8.

Ma H, Zhou D, Liu C, Lyu MR, King I. Recommender systems with social regularization. In: Forth international conference on web search and web data mining, WSDM 2011, Hong Kong, China; 2011. p. 287–96.

Yang SH, Long B, Smola A, Sadagopan N, Zheng Z, Zha H. Like like alike — joint friendship and interest propagation in social networks. In: International conference on world wide web, WWW 2011, Hyderabad, India, March 28 - April, 2011, pp. 537-546.

Koren Y, Bell R, Volinsky C. Matrix factorization techniques for recommender systems. Computer. 2009;42:30–7.

Lee I, Blom UM, Wang PI, Shim JE, Marcotte EM. Prioritizing candidate disease genes by network-based boosting of genome-wide association data. Genome Res. 2011;21:1109–21.

Remm M, Storm CE, Sonnhammer EL. Automatic clustering of orthologs and in-paralogs from pairwise species comparisons 1. J Mol Biol. 2001;314:1041–1052.

KL MG, Park TJ, Woods JO, Cha HJ, Wallingford JB, Marcotte EM. Systematic discovery of nonobvious human disease models through orthologous phenotypes. Proc Natl Acad Sci. 2010;107:6544–9.

Bell RM, Koren Y. Scalable collaborative filtering with jointly derived neighborhood interpolation weights. In: IEEE international conference on data mining; 2007. p. 43–52.

Paterek A. Improving regularized singular value decomposition for collaborative filtering. In Proceedings of KDD cup and workshop. 2007:5–8.

Takács G, Pilászy I, Németh B, Tikk D. Major components of the gravity recommendation system. Acm Sigkdd Explorations Newsletter. 2007;9:80–3.

Zhou Y, Wilkinson D, Schreiber R, Pan R. Large-scale parallel collaborative filtering for the Netflix prize. In: Algorithmic Aspects in Information and Management, International Conference, Aaim 2008, Shanghai, China, June 23–25, 2008. Proceedings;2008, pp. 337-348.

Hu Y, Koren Y, Volinsky C. Collaborative filtering for implicit feedback datasets. In: Eighth IEEE international conference on data mining; 2008. p. 263–72.

Liu B, Dai Y, Li X, Lee WS, Yu PS. Building text classifiers using positive and unlabeled examples. In: Data mining, IEEE international conference on; 2003. p. 179.

Mordelet F, Vert JP. ProDiGe: prioritization of disease genes with multitask machine learning from positive and unlabeled examples. Bmc Bioinform. 2011;12:389.

Breese JS, Heckerman D, Kadie C. Empirical analysis of predictive algorithms for collaborative filtering. 1998.

Thông tin
Thông tin xuất bản

BMC Medical Genomics

Tập 10

45-53

Thông tin tác giả