基于网络解卷积和贝叶斯模型的组学数据融合分析方法及应用研究

According to the information from different omics data,we could investigate the incidence and mechanism of tumor at different levels. The key point is to establish the correlation network from genomics to proteomics and metabolomics and select the potential biomarkers for carcinoma. When it comes to analyzing the different omics data, one of the most challenging problem is to analyze the large-scale data and mining the internal and external the relationship at different omics data. Therefore, the most important isssue is to select the variables and recognize the most reliable network when we establish the regulation or interactive networks. This study aims to establish a novel data integratio algorithm to establish the reliable network for the tumor diagnosis and mechanism, which combines the information from proteomics and metabolomics to select the potential variables that are used to construct the network. This network is to construct the direct correlation matrix between multiple nodes and then recognize the correlation direction using the Bayesian model. The contents include that network devolution algorithm, constuction and optimization of correlation matrix,integration algorithm and model of network devolution and Bayesian model, biomarker identification and regulation network validation. The project is to propose the novel data integration algorithm and model for multiple omics and apply this algorithm and model to select potential biomarkers and relavent pathway.

通过不同的组学数据，可以在多层次上研究肿瘤的发生与发展机制，融合分析的核心是建立基因组→蛋白组→代谢组之间的关系网络，以及筛选肿瘤标志物。对不同组学数据同时进行分析，研究的最大难点在于不同分子水平上的物质和碎片数量巨大，以及层内和层间的生化物质相互传递和作用关系复杂，在建立调控/互作网络时，变量筛选和网络结构识别极为困难。本研究结合蛋白质组-代谢组同时检测的数据，首先筛选合适的网络变量，然后在不同层面的组学数据上进行特征提取和对接，再使用网络解卷积的方法建立多尺度结点间的直接关联矩阵，最后通过贝叶斯模型确定关联方向。研究的主要内容：网络解卷积的通用算法、关联矩阵的构建和优化、网络解卷积-贝叶斯模型（ND-BN）的融合算法、标志物鉴定及调控网络验证。本课题将在前期代谢组学研究的基础上，给出新的多组学数据融合分析的模型与算法，同时将其应用于卵巢癌标志物的筛选和通路研究上。

本研究的主要内容：网络解卷积的通用算法、非对称具有因果关系的关联矩阵构建和优化、贝叶斯等网络模型、标志物鉴定及调控网络验证、不同组学数据的融合分析方法，以及卵巢癌诊断或预后的标志物筛选和通路研究。本项研究解决了具有方向性的不对称和不可分解的关联矩阵解卷积求解的难题，给出了相应的算法和计算程序；同时给出了网络模型的Bayes估计、DiffRank-RF、动态Bayes网络模型等数据融合分析的新方法，并且通过模拟实验和实际数据的计算证明了其有效性和局限性。在卵巢癌的研究和数据分析上，使用检测的代谢组学数据和公用数据库中的多组学数据，对卵巢癌的诊断、化疗敏感性和预后的生物标志物和相关通路进行了研究，给出了多个mRNA、蛋白质、代谢物及血浆多肽的生物标志物，为进一步生物实验验证和临床应用研究提供了重要的依据和线索。在研究成果方面完成了预期计划，研究期间共发表了33篇相关论文，其中在国际上发表SCI论文16篇，中国核心期刊发表17篇；完成了嵌入新算法的组学分析软件平台（以代谢组分析为主）的研制；相关成果获得省政府科技进步二等奖。培养博士生5名、硕士生8名，参加国内学术会议16人次，国际会议2人次。目前，相关的研究工作继续深入开展，课题组相继在2016年和2017年获得两项国家自然科学基金项目。