基于深度学习整合多组学数据的疾病关键分子及模块筛查方法技术

本发明专利技术公开了基于深度学习整合多组学数据的疾病关键分子及模块筛查方法。首先，构建生物背景网络；获取多组学数据，并利用基因规模化代谢网络模型预测代谢流来丰富代谢组学信息；通过多种机器学习算法处理多组学数据；进一步采用网络传播归纳式方法预测网络中无属性信息分子在疾病发生发展中的贡献，进而通过社区发现算法鉴定疾病相关模块；最后，利用基因规模化代谢网络模型模拟基因敲除实验验证疾病关键分子的生物学可解释性。本发明专利技术基于生物分子间相互作用关系构建生物背景网络，联合多种机器学习算法预处理实验数据并作为分子属性信息映射到网络中，在保证生物可解释性的基础上实现疾病多组学谱的深度挖掘，显著提升了原始数据的利用率。

【技术实现步骤摘要】

本专利技术涉及生物化学和疾病代谢组学领域，是一种基于深度学习整合多组学数据的疾病关键分子及模块的筛查方法。

技术介绍

1、系统生物学(schaub,j.a.；hamidi,h.；et al.systems biology and kidney disease.clin.j.am.soc.nephrol.2020,15(5),695–703.https://doi.org/10.2215/cjn.09990819)是研究生物系统组成成分的构成与相互作用关系，以系统论结合实验与计算方法为特征的生物学研究。利用系统生物学方法集成多维度多模态数据以探索疾病背后复杂的监管动态成为生命科学领域研究的热点。不断发展的基因组学、蛋白组学和代谢组学等高通量分析技术可以对表观遗传标记、转录本、蛋白组和代谢谱进行表征和定量，为解释复杂生物体的生理变化提供数据基础(chen,y.；wu,t.；et al.an integrated workflowfor biomarker development using micrornas in extracellular vesicles本文档来自技高网...

【技术保护点】

1.基于深度学习整合多组学数据的疾病关键分子及模块筛查方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习整合多组学数据的疾病关键分子及模块筛查方法，其特征在于，所述生物背景网络以分子为节点、以分子间的相互作用关系为连边。

3.根据权利要求1所述的基于深度学习整合多组学数据的疾病关键分子及模块筛查方法，其特征在于，所述步骤3)，具体为：

4.根据权利要求1所述的基于深度学习整合多组学数据的疾病关键分子及模块筛查方法，其特征在于，所述步骤4)，包括以下步骤：

5.根据权利要求1所述的基于深度学习整合多组学数据的疾病关键分子及...

【技术特征摘要】

1.基于深度学习整合多组学数据的疾病关键分子及模块筛查方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于深度学习整合多组学数据的疾病关键分子及模块筛查方法，其特征在于，所述生物背景网络以分子为节点、以分子间的相互作用关系为连边。

3.根据权利要求1所述的基于深度学习整合多组学数据的疾病关键分子及模块筛查方法，其特征在于，所述步骤3)，具体为：

4.根据权利要求1所述的基于深度学习整合多组学数据的疾病关键分子及模块筛查方...

【专利技术属性】
技术研发人员：许国旺，赵金慧，李超，王鑫欣，赵欣捷，路鑫，
申请(专利权)人：中国科学院大连化学物理研究所，
类型：发明
国别省市：