癌症分子亚型功能分析与药物-疾病关联预测新方法

### 癌症分子亚型功能分析与药物 - 疾病关联预测新方法 #### 癌症分子亚型功能分析 癌症的异质性是其重要特征之一，理解导致这种异质性的生物学过程对于揭示癌症的致病机制和实现个性化治疗至关重要。通过DSL（Deep Similarity Learning）模型发现的分子亚型，能为我们深入理解癌症致病机制提供有价值的见解，并为个性化癌症治疗提供指导。 在对50个差异表达基因进行生物功能富集分析时，得到了一些关键的GO（Gene Ontology）术语和KEGG（Kyoto Encyclopedia of Genes and Genomes）通路，具体如下表所示： | 类别 | 术语 | p值 | | ---- | ---- | ---- | | GO - CC | 细胞外区域 | 2.02e−11 | | GO - BP | 中性粒细胞趋化作用 | 4.23e−05 | | GO - MF | 趋化因子活性 | 6.40e−03 | | KEGG | 原发性免疫缺陷 | 6.91e−03 | 从这些富集结果中，我们可以推测出这些生物学过程在癌症异质性的形成中可能起着关键作用。例如，细胞外区域相关的生物学过程可能涉及癌细胞与周围微环境的相互作用，而中性粒细胞趋化作用可能与癌症的免疫反应相关。 #### 药物 - 疾病关联预测 药物的研发成本高昂且周期漫长，据报道，一种新药的开发成本超过15亿美元，且从研发到上市需要13 - 15年的时间，成本还在不断上升。因此，开发有效的方法来获取未知的药物 - 疾病关联（DDAs）变得尤为迫切，这有助于探索现有药物的新适应症。 DDAs预测主要分为基于活性的预测策略和基于计算的预测策略： - **基于活性的预测策略**：使用专业设备根据现有的临床数据筛选药物适应症。然而，这种策略存在时间和人力成本高的问题，并且由于专业知识的局限性，难以广泛应用。 - **基于计算的预测策略**：主要依赖多个公共数据和计算方法来识别药物的新适应症。由于计算模型的可扩展性和丰富的公共数据库，这种策略具有明显的优势，许多公司将其作为DDAs预测的主要指导方法。 随着生物医学数据的积累，仅基于药物 - 疾病关联数据进行DDAs预测已被认为是不完整的，因为药物和疾病都有各自独特的知识体系。因此，研究人员越来越多地利用多维数据来推断现有药物的新适应症。然而，现有的一些方法在数据融合时没有充分考虑不同数据之间的差异。 同时，矩阵分解技术近年来成为DDAs预测的流行策略，但传统的矩阵分解方法由于缺乏节点特征指示，难以有效地映射新节点。为了解决这些问题，提出了一种名为NSGMF（Self - topological Generalized Matrix Factorization with Neighborhood Constraints）的新计算方法。 NSGMF方法的主要贡献如下： 1. **提出新的相似性数据融合方法**：采用平均熵权重对相似性数据进行融合，能够有效衡量不同数据之间的差异。 2. **提出自拓扑广义矩阵分解方法**：在低秩映射过程中，仅基于关联数据的拓扑信息来指导分解，解决了广义矩阵分解对外部信息敏感的问题。 3. **成功将邻域约束项用于广义矩阵分解**：有效提高了NSGMF的预测性能。 #### NSGMF