5456
当前位置: 首页   >  课题组新闻   >  组内成员在生物信息学高水平期刊Current Bioinformatics发表学术论文
组内成员在生物信息学高水平期刊Current Bioinformatics发表学术论文
发布时间:2023-12-10

近日,计算机科学技术学院生物信息研究组研发了微生物与疾病关联挖掘新模型WTHMDAweighted taxonomic heterogeneous network-based microbe-disease association)。该成果于121在线日发表于生物信息学高水平期刊Current Bioinformatics (SCI IF=4.0)。该研究论文由青岛大学独立完成,计算机科学技术学院为第一单位,硕士研究生邢介奇、时宇同学为共同第一作者,苏晓泉教授与青年教师吴舜尧博士为通讯作者。该研究获得了国家重点研发计划、国家自然科学基金、泰山学者计划和山东省教育厅的支持。

微生物在各种生理过程中扮演着关键角色。因此,研究微生物与人类疾病之间的关联对于理解复杂疾病的发病机制和发现潜在的治疗生物标志物具有重要意义。近年来,随着机器学习算法和大数据技术的不断进步,计算方法已成为加速发现微生物与疾病关联的宝贵工具。然而,现有的计算方法,无论是基于拓扑还是基于神经网络,往往忽略了微生物之间的内在联系,同时也忽略了微生物的分类层次,从而限制了它们的整体性能。

针对上述问题,生物信息研究组提出了一种面向微生物与疾病关联的全新的深度学习框架WTHMDA (weighted taxonomic heterogeneous network-based microbial-disease association)。该框架利用加权图卷积网络和微生物分类学共同树进行微生物-疾病关联预测。WTHMDA方法涉及使用本体论架构从它们的公共分类树中解析微生物链接,从而构建包含多种相似性的微生物-疾病异构网络。为了初始化图神经网络的节点特征,WTHMDA采用加权DeepWalk方法提取加权相似度网络中的节点表示,其性能优于直接使用相似度。最后,WTHMDA在这个相互作用网络上建立了一个深度神经网络(DNN)模型,以准确预测微生物与疾病的关联。



1.WTHMDA模型流程图

论文信息:

Jieqi Xing$, Yu Shi$, Xiaoquan Su* and Shunyao Wu*. Discovering Microbe-disease Associations with Weighted Graph Convolution Networks and Taxonomy Common Tree. Current Bioinformatics 2023; 18 (). https://dx.doi.org/10.2174/0115748936270441231116093650