典型肺疾病的早期预警、病程演进建模与治疗方案优化

Aiming at typical lung diseases (including chronic obstructive pulmonary disease and lung cancer), in this project we target on developing the data mining and analysis methods based on heterogeneous multi-omics data, establishing a set of molecular association networks in dynamics that can represent the development stages of typical lung disease, developing an early-warning mathematical model based on early lung lesions and functional changes, generating the personalized prediction method for key indices based on the individualized high-dimensional short-term time series data, and finding dynamical network biomarkers that can accurately quantify the sudden deterioration of lung diseases. Based on the network features during the development of lung diseases, we will label and classify the image information. The quantitative index of dynamical network markers will be compared with the imaging indices. Then, we will develop the intelligent classification method of lung disease image based on the dynamic characteristics of the biomolecular network, design an early-warning system for detecting the critical point of lung disease, and provide reliable quantitative support for clinical diagnosis and treatment. Finally, after the feedback of clinical data, we will improve the computational early-warning method, establish the intelligent classification method of lung diseases, and optimize the treatment plan of lung diseases.

项目针对典型肺疾病（包括慢性阻塞性肺疾病和肺癌），研究基于异质多组学数据的挖掘与分析方法，建立能够表征肺疾病各个阶段的动态分子关联网络集合，发展基于肺部早期病变与功能变化的疾病预警预测数学模型，开发基于个体化高维短时间序列数据的关键指标预测方法，寻找能准确量化肺疾病恶性突变先兆的动态网络标志物。基于在各疾病各阶段呈现的分子网络特征对影像信息进行标注和分类，将动态网络标志物的量化指标与影像学指标进行对比与验证，研究基于分子动态网络特征的肺疾病影像智能分类方法，构建肺疾病恶性突变的预警体系，为临床诊疗提供可靠的量化依据。并通过临床数据的反馈，修正理论和方法，建立肺疾病病情智能分级方法，优化肺疾病的治疗方案。

按照总体要求，本项目的第一期（即2021年1月-2022年12月）主要是围绕研究目标发展适用的数学理论与计算方法，并将这些理论与方法初步应用在疾病相关的数据上。在本项目的支持下，自2021年1月项目启动以来，项目组围绕预设的研究目标，即：I.建立疾病信息挖掘方法；II.建立推断和分析表征疾病各个阶段的动态网络集合的理论和方法；III.开发出预警复杂疾病恶性突变的理论和计算方法等三方面进行了研究。在项目执行期内，项目超额完成了预定的量化指标。..本项目组按计划顺利进行，在发展基于动态网络标志物（dynamic network biomarker，DNB）的理论和方法、开发基于组学信息的疾病信息挖掘方法、开发基于短时间序列的未来信息预测算法、针对具体疾病，提供对应的动态网络标志物和临界状态分析、初步建立了典型肺疾病的临床数据库等五个方面取得了进展。具体来说，项目组开发了针对生物医学大数据的数据挖掘方法，对肺疾病异源多组学数据进行了有效的整合；针对带有较大噪声的小样本的生物组学数据，发展了挖掘疾病有效信息的方法；针对高维短时间序列的生物数据，研究了预测关键分子表达动态发展的理论，发展了动态网络标志物的理论框架，在各种数据条件下开发了一系列动态网络标志物的计算方法。将所发展的理论和算法应用于具体的肺部疾病数据：基于肺部肿瘤的分子组学数据，研究了肺腺癌到肺鳞癌的临界变化，研究了非小细胞肺癌的潜在分子机理；基于确诊为新冠肺炎患者的时序列数据，开发了基于网络的信息熵指标，分析了导致新冠肺炎的病毒SARS-CoV-2的机理，研究了SARS-CoV-2的突变体，包括新出现的B.1.1.7突变体等。这些进展为进一步研究典型肺部疾病、开发疾病早期预警方法奠定了理论和算法基础，为开发药物提供了潜在的靶点。