复杂疾病相关化合物-蛋白质-疾病融合相互作用网络研究

The purpose of the project is to construct and study the Parkinson’s disease related and integrated compound-protein-disease interaction network. For protein interaction network and disease similarity network, we propose a new network topology feature with local and global information based on the graph theory and construct a model for predicting disease associated genes by using the machine learning theory. We research the comorbidity tendency between various diseases ad Parkinson’s disease to provide guidance for the study of pathogenesis based on the ensemble theory. For compound similarity network and protein interaction network, the complex network theory and statistical learning theory are utilized to construct model to predict interaction between compound and protein, identify and optimize lead compounds. For compound similarity network and disease similarity network, repositioning, combination and side effect of drug are researched based on the complex network and graph theory. The project will not only help the elucidating of the relationships between disease and disease, disease and gene or protein as well as disease and drug at levels of system and complex network, but also provide a new perspective and strategy for studying pathogenesis of disease and mechanism of drug action. It has important theoretical and practical value in the prevention, diagnosis and treatment of disease.

本项目以帕金森病相关化合物-蛋白质-疾病融合相互作用网络的构建与分析为研究目的。针对蛋白质相互作用网络和疾病相似性网络，基于图论等理论，提出新的具有全局和局部信息的网络拓扑结构特征，采用机器学习方法构建模型，预测帕金森病潜在相关基因。基于系综理论，分析各种疾病与帕金森病的共病倾向性，识别共病模块；针对化合物相似性网络和蛋白质相互作用网络，基于复杂网络理论，利用统计学习方法构建模型，预测化合物与蛋白质的相互作用，识别并优化先导化合物。针对化合物相似性网络和疾病相似性网络，基于图论和复杂网络理论，构建模型，开展药物重定位、药物组合和药物副作用研究。本项目的研究有助于从系统和复杂网络角度进一步阐明疾病与疾病、疾病与基因或蛋白质、疾病与药物之间的关系，为药物作用机制和疾病病理机制研究提供全新的方法和策略，在疾病的预防、诊断和治疗中具有重要的理论意义和实用价值。

本项目以帕金森病相关蛋白质-化合物-疾病相互作用网络的构建与研究为目的，主要取得了以下研究成果：建立了一种基于节点和边加权的蛋白质相互作用网络拓扑结构特征，采用支持向量机识别人类蛋白质功能的新方法，该方法具有快速、简便、准确度高等特点；基于节点和边加权的蛋白质-化合物相互作用网络，提出了新颖的网络拓扑结构特征，结合随机森林方法建立了蛋白质与化合物相互作用亲和力预测方法，该方法具有省时、省力、预测精度高等优点；采用恒温指数放大技术，通过在抗体上标记信号探针，构建目标蛋白双抗体夹心结构，提出了新的肿瘤标志物MUC1检测方法，该方法具有灵敏度高、特异性好、操作简单等优点；基于分子结构和疾病临床症状信息提出了新颖的药物-疾病关联二维特征表示方法，采用深度卷积神经网络构建了新方法识别潜在药物与疾病关联，该方法具有快速、准确等特点；针对疾病临床症状和蛋白质一级结构信息，结合深度卷积神经网络，提出了新的疾病相关潜在基因识别方法，为病理机制研究提供了参考；基于随机森林算法，采用多肽的一级结构和物理化学性质等特征，发展了新的蛋白质羟基化位点识别方法，为疾病相关的蛋白质翻译后修改位点的识别提供了理论参考；利用miRNA二级结构特征和疾病临床症状信息，采用欧氏距离聚类方法筛选可靠负样本，结合随机森林方法构建了疾病相关miRNA识别新方法，为药物靶标的识别方法提供了选择和参考。本项目的研究必将丰富疾病相关基因、蛋白质和药物的研究与识别方法，对疾病的预防、诊断和治疗具有重要的理论研究意义和实际应用价值。