MorbidGCN: prediction of multimorbidity with a graph convolutional network based on integration of population phenotypes and disease network

计算机科学 人口 表型 图形 疾病 多发病率 人工智能 计算生物学 医学 理论计算机科学 生物 遗传学 病理 基因 环境卫生
作者
Guiying Dong,Zi-Chao Zhang,Jianfeng Feng,Xing‐Ming Zhao
出处
期刊:Briefings in Bioinformatics [Oxford University Press]
卷期号:23 (4) 被引量:8
标识
DOI:10.1093/bib/bbac255
摘要

Abstract Exploring multimorbidity relationships among diseases is of great importance for understanding their shared mechanisms, precise diagnosis and treatment. However, the landscape of multimorbidities is still far from complete due to the complex nature of multimorbidity. Although various types of biological data, such as biomolecules and clinical symptoms, have been used to identify multimorbidities, the population phenotype information (e.g. physical activity and diet) remains less explored for multimorbidity. Here, we present a graph convolutional network (GCN) model, named MorbidGCN, for multimorbidity prediction by integrating population phenotypes and disease network. Specifically, MorbidGCN treats the multimorbidity prediction as a missing link prediction problem in the disease network, where a novel feature selection method is embedded to select important phenotypes. Benchmarking results on two large-scale multimorbidity data sets, i.e. the UK Biobank (UKB) and Human Disease Network (HuDiNe) data sets, demonstrate that MorbidGCN outperforms other competitive methods. With MorbidGCN, 9742 and 14 010 novel multimorbidities are identified in the UKB and HuDiNe data sets, respectively. Moreover, we notice that the selected phenotypes that are generally differentially distributed between multimorbidity patients and single-disease patients can help interpret multimorbidities and show potential for prognosis of multimorbidities.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
自行者完成签到,获得积分10
1秒前
怦然心动完成签到,获得积分10
1秒前
2秒前
梁卓贤发布了新的文献求助10
2秒前
紧张的梦岚完成签到 ,获得积分10
3秒前
理想三寻完成签到,获得积分10
3秒前
dent强发布了新的文献求助10
4秒前
4秒前
sidegate完成签到,获得积分10
4秒前
Ricky完成签到,获得积分10
4秒前
ZJU发布了新的文献求助10
4秒前
田国兵完成签到,获得积分10
5秒前
SciGPT应助优秀的莹采纳,获得10
5秒前
重要棉花糖完成签到,获得积分10
6秒前
smallzheng完成签到,获得积分10
6秒前
桃掉烦恼应助六元一斤虾采纳,获得10
7秒前
简单问儿发布了新的文献求助10
7秒前
kele完成签到,获得积分10
8秒前
8秒前
难过的蘑菇完成签到,获得积分10
8秒前
榴莲完成签到,获得积分10
8秒前
朴实依琴完成签到,获得积分10
8秒前
Ricky发布了新的文献求助30
9秒前
Agan完成签到,获得积分10
9秒前
lxl完成签到 ,获得积分10
9秒前
star009完成签到,获得积分10
10秒前
ljie发布了新的文献求助10
12秒前
认真的裙子完成签到,获得积分10
12秒前
阿泽完成签到,获得积分10
13秒前
曦渝完成签到,获得积分10
13秒前
14秒前
森森完成签到,获得积分10
14秒前
清爽的亦瑶完成签到,获得积分10
14秒前
充电宝应助爱吃狗答辩采纳,获得10
15秒前
15秒前
leng完成签到,获得积分20
15秒前
丘比特应助丫丫采纳,获得10
15秒前
17秒前
17秒前
失眠的哈密瓜完成签到,获得积分10
17秒前
高分求助中
Licensing Deals in Pharmaceuticals 2019-2024 3000
Effect of reactor temperature on FCC yield 2000
Very-high-order BVD Schemes Using β-variable THINC Method 1020
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
Mission to Mao: Us Intelligence and the Chinese Communists in World War II 600
The Conscience of the Party: Hu Yaobang, China’s Communist Reformer 600
Geochemistry, 2nd Edition 地球化学经典教科书第二版,不要epub版本 431
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3299039
求助须知:如何正确求助?哪些是违规求助? 2934095
关于积分的说明 8466867
捐赠科研通 2607468
什么是DOI,文献DOI怎么找? 1423751
科研通“疑难数据库(出版商)”最低求助积分说明 661677
邀请新用户注册赠送积分活动 645327