[發(fā)明專利]一種基于稀疏匹配的多組學(xué)數(shù)據(jù)關(guān)聯(lián)關(guān)系發(fā)現(xiàn)方法

有效

• 申請?zhí)枺?/td>: 201810258802.0
• 申請日: 2018-03-27
• 公開（公告）號: CN108509771B
• 公開（公告）日: 2020-12-22
• 發(fā)明（設(shè)計）人: 蔡就倫;蔡宏民
• 申請（專利權(quán)）人: 華南理工大學(xué)
• 主分類號: G16B40/00
• 分類號: G16B40/00
• 代理公司: 廣州市華學(xué)知識產(chǎn)權(quán)代理有限公司 44245
• 代理人: 李斌

本發(fā)明公開了一種基于稀疏匹配的多組學(xué)數(shù)據(jù)關(guān)聯(lián)關(guān)系發(fā)現(xiàn)方法，包括：對輸入數(shù)據(jù)進(jìn)行預(yù)處理，提高數(shù)據(jù)的質(zhì)量；根據(jù)數(shù)據(jù)特點，選擇合適的相似性度量，計算數(shù)據(jù)特征之間的相似性矩陣；基于特征之間的相似性網(wǎng)絡(luò)，融入先驗信息，挖掘數(shù)據(jù)特征之間的潛在關(guān)聯(lián)關(guān)系。本發(fā)明方法可以充分利用現(xiàn)有已被證實的組學(xué)數(shù)據(jù)的特征的先驗信息，減少噪音對結(jié)果的影響、降低數(shù)據(jù)誤差所帶來的不確定性，提高結(jié)果的精確性與魯棒性。

技術(shù)領(lǐng)域

本發(fā)明涉及生物信息技術(shù)領(lǐng)域，特別涉及一種基于稀疏匹配的多組學(xué)數(shù)據(jù)關(guān)聯(lián)關(guān)系發(fā)現(xiàn)方法。

背景技術(shù)

生物組學(xué)由基因組學(xué)(Genomics)、轉(zhuǎn)錄組學(xué)(Transcriptomics)、蛋白質(zhì)組學(xué)(Proteomics)和代謝組學(xué)(Metabolomics)共同構(gòu)成，旨在從整體的角度出發(fā)，研究人類基因、核糖核酸、蛋白質(zhì)及其代謝物等的相互的作用，通過整合分析人體各個層次組織的內(nèi)在關(guān)聯(lián)，為探索人類疾病的發(fā)病機制提供更加科學(xué)全面的方法。

隨著科學(xué)技術(shù)的發(fā)展，高通量測序技術(shù)的出現(xiàn)極大地降低了測序的成本，提高了測序的性能，使得高效全面地測定同一樣本不同層次的組學(xué)數(shù)據(jù)成為可能。TCGA(TheCancer Genome Atlas)數(shù)據(jù)庫整合了33種癌癥、26種組織類型、超過11000個腫瘤病例、大小約2.5PB的組學(xué)測序數(shù)據(jù)，其中絕大部分病例均同時具有單核苷酸變異數(shù)據(jù)、RNA-seq測序數(shù)據(jù)、基因拷貝數(shù)變異(CNV)、甲基化數(shù)據(jù)(DNA methylation)和臨床數(shù)據(jù)等多個組學(xué)的數(shù)據(jù)。這些海量多源異構(gòu)數(shù)據(jù)能在基因組、轉(zhuǎn)錄組、蛋白質(zhì)組、代謝組水平多層次多方位提供描述腫瘤發(fā)生發(fā)展的重要信息，堅實地奠定了整合分析多組學(xué)數(shù)據(jù)關(guān)聯(lián)關(guān)系發(fā)現(xiàn)的數(shù)據(jù)來源基礎(chǔ)，為定性定量地揭示腫瘤發(fā)生發(fā)展的機理提供了的前所未有的機遇。

相關(guān)科學(xué)理論的不斷深入以及相關(guān)的實踐研究不斷增多，使得研究人員發(fā)現(xiàn)基于單一組學(xué)數(shù)據(jù)的研究分析方法只能從單一的角度理解疾病發(fā)生發(fā)展在分子水平上的變化特征，已經(jīng)無法滿足進(jìn)一步解釋復(fù)雜的疾病機理過程的需求。整合多個組學(xué)數(shù)據(jù)能夠補償單一組學(xué)數(shù)據(jù)中的數(shù)據(jù)丟失及糾正部分錯誤信息，從整體的視角全面多方位地描述疾病發(fā)生發(fā)展過程中在各個組學(xué)層次上的變化特征，有效地降低了基于單一組學(xué)數(shù)據(jù)研究實驗中出現(xiàn)假陽性的概率。鑒于此，研究學(xué)者致力于嘗試整合分析多個組學(xué)層面的數(shù)據(jù)，全面研究病變過程中多組學(xué)數(shù)據(jù)之間內(nèi)在的相互關(guān)聯(lián)關(guān)系及其協(xié)同變化規(guī)律，提高對生物體系統(tǒng)機制的認(rèn)識。例如，研究學(xué)者基于貝葉斯網(wǎng)絡(luò)推理模型，對黑色素瘤病人的染色體拷貝數(shù)變異數(shù)據(jù)與基因表達(dá)數(shù)據(jù)進(jìn)行整合分析，以檢測誘發(fā)黑色素瘤的產(chǎn)生因素，最終證實了抗體TBC1D16及蛋白質(zhì)RAB27A的異常調(diào)控會導(dǎo)致黑色素瘤的增殖。研究人員使用酵母種群的基因表達(dá)數(shù)據(jù)、轉(zhuǎn)錄因子結(jié)合位點(TFBS)和蛋白質(zhì)-蛋白質(zhì)相互作用(PPI)數(shù)據(jù)重構(gòu)了基因調(diào)控網(wǎng)絡(luò)，并通過預(yù)測常見的酵母群體基因表達(dá)活性調(diào)控證明其有效性。生物學(xué)家將單核苷酸多態(tài)性數(shù)據(jù)和mRNA基因表達(dá)做串聯(lián)整合，隨機選擇變量作為層次貝葉斯模型的數(shù)據(jù)輸入，檢測單核苷酸多態(tài)性、基因表達(dá)變異和表型變化之間的關(guān)聯(lián)，等等。雖然現(xiàn)有模型都通過整合多個組學(xué)數(shù)據(jù)以發(fā)掘它們之間的潛在關(guān)聯(lián)關(guān)系，降低了單一組學(xué)數(shù)據(jù)隨機性誤差所造成的假陽性率，但大多數(shù)模型都存在一些不足之處，如整合研究方法過于簡單、數(shù)據(jù)來源沒有統(tǒng)一性、樣本量不足等等。

同時，絕大部分的研究都僅僅聚焦于組學(xué)數(shù)據(jù)本身，很少考慮在模型中加入其他重要的先驗信息，甚至完全沒有利用現(xiàn)有的已證實的信息，而對先驗信息的合理利用對模型準(zhǔn)確性、健壯性和執(zhí)行效率的提高有明顯的積極影響。隨著生物信息學(xué)的發(fā)展，越來越多的組學(xué)數(shù)據(jù)之間的潛在關(guān)聯(lián)已被證實，如基因調(diào)控網(wǎng)絡(luò)、蛋白質(zhì)-蛋白質(zhì)相互作用網(wǎng)絡(luò)和代謝路徑網(wǎng)絡(luò)等等。充分地利用已被證實及廣泛接受的先驗信息能夠降低因生物數(shù)據(jù)噪音大而導(dǎo)致結(jié)果誤差大的影響，提高結(jié)果的準(zhǔn)確性及可靠性。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點與不足，提供一種基于稀疏匹配的多組學(xué)數(shù)據(jù)關(guān)聯(lián)關(guān)系發(fā)現(xiàn)方法，可以有效充分地利用被證實的先驗組學(xué)信息，減少噪音對結(jié)果的影響、降低數(shù)據(jù)誤差所帶來的不確定性和提高結(jié)果的精確性與魯棒性。