模块标记物挖掘方法、装置、计算机设备及存储介质制造方法及图纸

本发明专利技术公开了一种模块标记物挖掘方法、装置、计算机设备及存储介质，所述方法包括：构建初始miDCN网络；构建mDCN网络和mi‑m‑DCN网络，对初始miDCN网络进行拓展，形成拓展miDCN网络；对初始miDCN网络和拓展miDCN网络进行模块挖掘，得到miDCN模块；获取金标准miRNA集合；获取金标准miRNA集合在miDCN模块中的miRNA之间的连接关系；计算金标准miRNA集合中的miRNA与miDCN模块中其余miRNA的度的相似性，将miDCN模块中相似性最高的miRNA作为新标记物。本发明专利技术结合了miRNA与mRNA两个层面的数据，并充分利用二者之间的生物学关系，挖掘复杂疾病的miRNA模块标记物，具有更加全面、系统和可移植性的特点。

【技术实现步骤摘要】
模块标记物挖掘方法、装置、计算机设备及存储介质
本专利技术涉及一种模块标记物挖掘方法、装置、计算机设备及存储介质，属于模块标记物的挖掘领域。
技术介绍
复杂疾病是受多种遗传因子控制的，基于生物学和医学相关理论的推测，认为该类疾病的发病是受多个基因影响的，但每个基因的作用都很微弱，无主效应基因，称该现象为“微效性”，为找到这些微效基因，目前对于该类疾病的模块标物挖掘算法主要集中在基因层面，即mRNA层面。然而，此类分析没有考虑其他因素对于基因表达变化的影响，只是单一层面的分析，不够全面。而该层面的表达变化在一定程度上是受microRNA(通常缩写为miRNA)控制的，miRNA是一类小的、非编码RNA，通过转录后调控其靶基因的表达发挥作用，与其靶基因的表达呈现负相关，故基因的微效性也受其影响。
技术实现思路
有鉴于此，本专利技术提供了一种模块标记物挖掘方法、装置、计算机设备及存储介质，其结合了miRNA与mRNA两个层面的数据，并充分利用二者之间的生物学关系，挖掘复杂疾病的miRNA模块标记物，具有更加全面、系统和可移植性的特点。本专利技术的第一个目的在于提供一种模块标记物挖掘方法。本专利技术的第二个目的在于提供一种模块标记物挖掘装置。本专利技术的第三个目的在于提供一种计算机设备。本专利技术的第四个目的在于提供一种存储介质。本专利技术的第一个目的可以通过采取如下技术方案达到：一种模块标记物挖掘方法，所述模块标记物为复杂疾病的miRNA模块标记物，所述方法包括：基于miRNA表达谱数据，构建初始miDCN网络；基于miRNA表达谱数据和mRNA表达谱数据，构建mDCN网络和mi-m-DCN网络，对初始miDCN网络进行拓展，形成拓展miDCN网络；对初始miDCN网络和拓展miDCN网络进行模块挖掘，得到miDCN模块；获取金标准miRNA集合；其中，所述金标准miRNA集合包括公开数据库中与所研究疾病有关的miRNA；获取金标准miRNA集合在miDCN模块中的miRNA之间的连接关系；计算金标准miRNA集合中的miRNA与miDCN模块中其余miRNA的度的相似性，将miDCN模块中相似性最高的miRNA作为新标记物。进一步的，所述基于miRNA表达谱数据，构建初始miDCN网络，具体包括：根据miRNA表达谱数据，生成x行z列的矩阵；其中，每行表示一个miRNA，每列表示一个样本，设E表示miRNA表达谱数据，S表示所研究疾病的m个样本组成的疾病组表达谱数据，C表示对照组的z-m+1个样本组成的对照组表达谱数据；用i-j表示任意一对miRNA，计算i-j在疾病组表达谱数据S、对照组表达谱数据C中的相关系数r与代表统计学意义的p值，其中在疾病组表达谱数据S中计算所得的相关系数r和p值分别记为rs，i-j及ps，i-j，在对照组表达谱数据C中计算所得的相关系数r和p值分别记为rc，i-j及pc，i-j；若i-j在疾病组表达谱数据S中的p值和i-j在对照组表达谱数据C中的p值至少有一个小于或等于设定阈值，则进行DCi-j分数的计算；将所有具有DC值的miRNA对构建为初始miDCN网络；其中，网络节点是miRNA，边的权重是DC值。进一步的，所述若i-j在疾病组表达谱数据S中的p值和i-j在对照组表达谱数据C中的p值至少有一个小于或等于设定阈值，则进行DCi-j分数的计算，具体包括：若i-j在疾病组表达谱数据S中的p值和i-j在对照组表达谱数据C中的p值均小于或等于设定阈值，则按照下式计算DCi-j分数：DCi-j＝|rs，i-j*(1-ps，i-j)-rc，i-j*(1-pc，i-j)|若i-j在疾病组表达谱数据S中的p值小于或等于设定阈值，且i-j在对照组表达谱数据C中的p值大于设定阈值，则按照下式计算DCi-j分数：DCi-j＝|rs，i-j*(1-ps，i-j)-rc，i-j*pc，i-j|若i-j在对照组表达谱数据C中的p值小于或等于设定阈值，且i-j在疾病组表达谱数据S中的p值大于设定阈值，则按照下式计算DCi-j分数：DCi-j＝|rs，i-j*ps，i-j-rc，i-j*(1-pc，i-j)|。进一步的，所述将所有具有DC值的miRNA对构建为初始miDCN网络，具体包括：构建疾病TBD-miDCN网络；其中，所述疾病TBD-miDCN网络包括所有ps，i-j及pc，i-j均具有统计学意义的miRNA关系对；构建疾病生成-miDCN网络：其中，所述疾病生成-miDCN网络包括所有ps，i-j具有统计学意义的miRNA关系对；构建疾病缺失-miDCN网络：其中，所述疾病缺失-miDCN网络包括所有pc，i-j具有统计学意义的miRNA关系对。进一步的，所述基于miRNA表达谱数据和mRNA表达谱数据，构建mDCN网络和mi-m-DCN网络，对初始miDCN网络进行拓展，形成拓展miDCN网络，具体包括：根据mRNA表达谱数据，生成x行z列的矩阵；其中，每行表示一个miRNA，每列表示一个样本，设E1表示mRNA表达谱数据，S1表示所研究疾病的m个样本组成的疾病组表达谱数据，C1表示对照组的z-m+1个样本组成的对照组表达谱数据；用i1-j1表示任意一对mRNA，计算i1-j1在疾病组表达谱数据S1、对照组表达谱数据C1中的相关系数r与代表统计学意义的p值，其中在疾病组表达谱数据S1中计算所得的相关系数r和p值分别记为rs1，i1-j1及ps1，i1-j1，在对照组表达谱数据C1中计算所得的相关系数r和p值分别记为rc1，i1-j1及pc1，i1-j1；若i1-j1在疾病组表达谱数据S1中的p值和i1-j1在对照组表达谱数据C1中的p值至少有一个小于或等于设定阈值，则进行DCi1-j1分数的计算；将所有具有DC值的mRNA对构建为mDCN网络；其中，网络节点是mRNA，边的权重是DC值；根据miRNA表达谱数据和mRNA表达谱数据，生成x行z列的矩阵；其中，每行表示一个一个miRNA-mRNA对，每列表示一个样本，设E2表示miRNA-mRNA表达谱数据，S2表示所研究疾病的m个样本组成的疾病组表达谱数据，C2表示对照组的z-m+1个样本组成的对照组表达谱数据；用i2-j2表示任意一个miRNA-mRNA对，计算i2-j2在疾病组表达谱数据S2、对照组表达谱数据C2中的相关系数r与代表统计学意义的p值，其中在疾病组表达谱数据S2中计算所得的相关系数r和p值分别记为rs2，i2-j2及ps2，i2-j2，在对照组表达谱数据C2中计算所得的相关系数r和p值分别记为rc2，i2-j2及pc2，i2-j2；若i2-j2在疾病组表达谱数据S2中的p值和i2-j2在对照组表达谱数据C2中的p值至少有一个小于或等于设定阈值，且相关系数r＜0，则进行DCi2-j2分数的计本文档来自技高网...

【技术保护点】
1.一种模块标记物挖掘方法，所述模块标记物为复杂疾病的miRNA模块标记物，其特征在于，所述方法包括：/n基于miRNA表达谱数据，构建初始miDCN网络；/n基于miRNA表达谱数据和mRNA表达谱数据，构建mDCN网络和mi-m-DCN网络，对初始miDCN网络进行拓展，形成拓展miDCN网络；/n对初始miDCN网络和拓展miDCN网络进行模块挖掘，得到miDCN模块；/n获取金标准miRNA集合；其中，所述金标准miRNA集合包括公开数据库中与所研究疾病有关的miRNA；/n获取金标准miRNA集合在miDCN模块中的miRNA之间的连接关系；/n计算金标准miRNA集合中的miRNA与miDCN模块中其余miRNA的度的相似性，将miDCN模块中相似性最高的miRNA作为新标记物。/n

【技术特征摘要】
1.一种模块标记物挖掘方法，所述模块标记物为复杂疾病的miRNA模块标记物，其特征在于，所述方法包括：
基于miRNA表达谱数据，构建初始miDCN网络；
基于miRNA表达谱数据和mRNA表达谱数据，构建mDCN网络和mi-m-DCN网络，对初始miDCN网络进行拓展，形成拓展miDCN网络；
对初始miDCN网络和拓展miDCN网络进行模块挖掘，得到miDCN模块；
获取金标准miRNA集合；其中，所述金标准miRNA集合包括公开数据库中与所研究疾病有关的miRNA；
获取金标准miRNA集合在miDCN模块中的miRNA之间的连接关系；
计算金标准miRNA集合中的miRNA与miDCN模块中其余miRNA的度的相似性，将miDCN模块中相似性最高的miRNA作为新标记物。


2.根据权利要求1所述的模块标记物挖掘方法，其特征在于，所述基于miRNA表达谱数据，构建初始miDCN网络，具体包括：
根据miRNA表达谱数据，生成x行z列的矩阵；其中，每行表示一个miRNA，每列表示一个样本，设E表示miRNA表达谱数据，S表示所研究疾病的m个样本组成的疾病组表达谱数据，C表示对照组的z-m+1个样本组成的对照组表达谱数据；
用i-j表示任意一对miRNA，计算i-j在疾病组表达谱数据S、对照组表达谱数据C中的相关系数r与代表统计学意义的p值，其中在疾病组表达谱数据S中计算所得的相关系数r和p值分别记为rs，i-j及ps，i-j，在对照组表达谱数据C中计算所得的相关系数r和p值分别记为rc，i-j及pc，i-j；
若i-j在疾病组表达谱数据S中的p值和i-j在对照组表达谱数据C中的p值至少有一个小于或等于设定阈值，则进行DCi-j分数的计算；
将所有具有DC值的miRNA对构建为初始miDCN网络；其中，网络节点是miRNA，边的权重是DC值。


3.根据权利要求2所述的模块标记物挖掘方法，其特征在于，所述若i-j在疾病组表达谱数据S中的p值和i-j在对照组表达谱数据C中的p值至少有一个小于或等于设定阈值，则进行DCi-j分数的计算，具体包括：
若i-j在疾病组表达谱数据S中的p值和i-j在对照组表达谱数据C中的p值均小于或等于设定阈值，则按照下式计算DCi-j分数：
DCi-j＝|rs，i-j*(1-ps，i-j)-rc，i-j*(1-pc，i-j)|
若i-j在疾病组表达谱数据S中的p值小于或等于设定阈值，且i-j在对照组表达谱数据C中的p值大于设定阈值，则按照下式计算DCi-j分数：
DCi-j＝|rs，i-j*(1-ps，i-j)-rc，i-j*pc，i-j|
若i-j在对照组表达谱数据C中的p值小于或等于设定阈值，且i-j在疾病组表达谱数据S中的p值大于设定阈值，则按照下式计算DCi-j分数：
DCi-j＝|rs，i-j*ps，i-j-rc，i-j*(1-pc，i-j)|。


4.根据权利要求2所述的模块标记物挖掘方法，其特征在于，所述将所有具有DC值的miRNA对构建为初始miDCN网络，具体包括：
构建疾病TBD-miDCN网络；其中，所述疾病TBD-miDCN网络包括所有ps，i-j及pc，i-j均具有统计学意义的miRNA关系对；
构建疾病生成-miDCN网络：其中，所述疾病生成-miDCN网络包括所有ps，i-j具有统计学意义的miRNA关系对；
构建疾病缺失-miDCN网络：其中，所述疾病缺失-miDCN网络包括所有pc，i-j具有统计学意义的miRNA关系对。


5.根据权利要求1所述的模块标记物挖掘方法，其特征在于，所述基于miRNA表达谱数据和mRNA表达谱数据，构建mDCN网络和mi-m-DCN网络，对初始miDCN网络进行拓展，形成拓展miDCN网络，具体包括：
根据mRNA表达谱数据，生成x行z列的矩阵；其中，每行表示一个miRNA，每列表示一个样本，设E1表示mRNA表达谱数据，S1表示所研究疾病的m个样本组成的疾病组表达谱数据，C1表示对照组的z-m+1个样本组成的对照组表达谱数据；
用i1-j1表示任意一对mRNA，计算i1-j1在疾病组表达谱数据S1、对照组表达谱数据C1中的相关系数r与代表统计学意义的p值，其中在疾病组表达谱数据S1中计算所得的相关系数r和p值分别记为rs1，i1-j1及ps1，i1-j1，在对照组表达谱数据C1中计算所得的相关系数r和p值分别记为rc1，i1-j1及pc1，i1-j1；
若i1-j1在疾病组表达谱数据S1中的p值和i1-j1在对照组表达谱数据C1中的p值至少有一个小于或等于设定阈值，则进行DCi1-j1分数的计算；
将所有具有DC值的mRNA对构建为mDCN网络；其中，网络节点是mRNA，边的权重是DC值；
根据miRNA表达谱数...

【专利技术属性】
技术研发人员：王莹莹，李克深，
申请(专利权)人：暨南大学附属第一医院广州华侨医院，
类型：发明
国别省市：广东;44