基于网络间随机游走算法预测lncRNA--疾病关联性的任务书.docx

基于网络间随机游走算法预测lncRNA--疾病关联性的任务书
任务书
一、任务背景
得益于高通量测序技术的发展，越来越多的非编码RNA(lncRNA)被发现，lncRNA在生物过程中扮演了重要的作用，如调节基因表达、蛋白质折叠、细胞分化和肿瘤等方面。而疾病和健康状态的差异可以显著导致lncRNA的表达水平改变，因此lncRNA被广泛认为是诊断疾病和治疗的潜在靶点。
鉴于lncRNA对疾病的贡献与分子水平上的特性相关，许多研究人员尝试使用网络分析方法探索lncRNA与疾病之间的关系。网络分析方法可以提供更全面的信息，包括特定分子之间的物理或功能联系，以及这些联系的影响因素和强度。而随机游走算法是网络分析中的一种重要方法，旨在通过模拟从每个节点到其他节点的随机漫步来预测节点之间的相似性或联系性。在随机游走算法中，节点之间的相似性或相关程度通常根据它们在随机游走的过程中被多次访问的次数计算。
因此，本任务旨在运用随机游走算法，预测lncRNA和疾病之间的相互作用，为研究人员提供有用的信息，促进相关疾病的治疗与预防。
二、任务要求
1.收集lncRNA和疾病相关的数据，包括它们的序列、功能和表达数据等。
2.构建lncRNA-疾病网络，将lncRNA和疾病作为节点，将它们之间的相互作用作为边，建立节点-边-节点的三元组。
3.运用随机游走算法，预测节点之间的关系程度和相似性，并计算每个节点的分数。
4.使用交叉验证方法，对模型进行优化和测试。应使用至少两个分割数据集的方法，如随机分割和k-折交叉验证，并根据评估指标和实验结果选择最佳模型。
5.分析和解释模型的结果，展示lncRNA和疾病之间的相互作用，并预测新的lncRNA-疾病关联。
三、任务指标
1.AUC值：通过计算曲线下的面积，评估算法的预测能力。AUC值介于0.5和1之间，越接近1表示算法越好。
2.精度：算法预测结果与实际结果的一致性。预测的结果越准确，精度越高。
3.召回率：反映算法成功预测出相关节点的能力。召回率越高，说明算法成功预测到更多相关节点。
四、任务流程
1.数据收集和预处理：收集lncRNA和疾病相关的数据，包括它们的序列、功能和表达数据等，并进行预处理，如去除异常值和空值等。
2.构建lncRNA-疾病网络：将lncRNA和疾病作为节点，将它们之间的相互作用作为边，建立基于节点-边-节点的三元组。
3.随机游走算法：通过随机游走算法，预测lncRNA和疾病之间的相互作用，并计算每个节点的分数。
4.交叉验证和模型优化：使用至少两种分割数据集的方法对模型进行交叉验证和优化，并选择最佳模型，评估其性能。
5.结果分析和展示：将预测结果可视化，展示lncRNA和疾病之间的相互作用，并预测新的lncRNA-疾病关联。
五、参考资料
1.Chen,X.,Yan,G.Y.Semi-supervisedlearningforpotentialhumanmicroRNA-diseaseassociationsinference.Scientificreports4,(2014).
2.Li,J.,etal.ComputationalpredictionofpotentialmiRNA-diseaseassociationsbasedonanovelweightedmatrixcompletionmethod.BMCbioinformatics19,(2018):1-14.
3.Lu,C.J.etal.LinkingFunctionandArchitectureinMITOMAP:AStrategyforMiningPathogenicMutations.bioRxiv,262222(2018).
4.Zhou,W.,etal.ComputationalNetworkScienceModelinginProstateCancer.Cancers11,(2019):381.