基于生物分子網(wǎng)絡(luò)分析的精神分裂癥功能模塊挖掘

廖苑君,陳應(yīng)堅(jiān),趙小蕾,孫勝南,林 帆,覃繼恒,饒紹奇*

(廣東醫(yī)科大學(xué)a.公共衛(wèi)生學(xué)院;b.醫(yī)學(xué)系統(tǒng)生物學(xué)研究所,中國廣東東莞523808)

精神分裂癥(schizophrenia,SCZ)是一種嚴(yán)重影響人類生命健康和生存質(zhì)量的復(fù)雜性精神疾病,患病率約為1%,遺傳貢獻(xiàn)高達(dá)83%[1]?；颊呖沙霈F(xiàn)幻覺、妄想、情感淡漠、社交退縮等典型精神癥狀,同時(shí)自知力喪失或不完整,造成嚴(yán)重的思維、情感、行為等多方面的障礙[2]。SCZ病癥具有較高的復(fù)發(fā)率和精神癥狀殘留,且具有不可預(yù)知性,給家庭和社會(huì)帶來巨大的經(jīng)濟(jì)負(fù)擔(dān),并占據(jù)了大量的醫(yī)療資源,導(dǎo)致資源利用價(jià)值下降。在此背景下,研究SCZ病因與病理機(jī)制對其預(yù)防及治療具有重要的意義。目前,大規(guī)模組學(xué)數(shù)據(jù)的發(fā)展為研究遺傳學(xué)機(jī)制提供了便利,然而分析方法主要采用的是單位點(diǎn)、單基因分析策略[3]。由于SCZ病因復(fù)雜,其發(fā)生、發(fā)展過程涉及多個(gè)生物分子(如基因、miRNA等),這些生物分子構(gòu)成了一個(gè)復(fù)雜的網(wǎng)絡(luò),因此與單位點(diǎn)、單基因分析方法相比,生物分子網(wǎng)絡(luò)分析能夠更加全面揭示SCZ的分子機(jī)制[4]。

在生物分子網(wǎng)絡(luò)分析中,節(jié)點(diǎn)代表生命體內(nèi)的各種分子,邊(網(wǎng)絡(luò)連接)代表分子間的互作關(guān)系。根據(jù)對象的不同,生物分子網(wǎng)絡(luò)可分為基因調(diào)控網(wǎng)絡(luò)、蛋白質(zhì)互作網(wǎng)絡(luò)、信號轉(zhuǎn)導(dǎo)網(wǎng)絡(luò)等[5]。迄今為止,生物分子網(wǎng)絡(luò)分析在生物醫(yī)學(xué)領(lǐng)域已被廣泛應(yīng)用,具有成熟的分析方法,可用來篩選和挖掘網(wǎng)絡(luò)中關(guān)鍵的核心節(jié)點(diǎn)及功能模塊,從而提示具有重要生物學(xué)意義的生物聯(lián)系或功能結(jié)構(gòu)。Xu等[6]發(fā)現(xiàn)基于功能注釋定義的功能模塊不僅可以用于癌癥的分型或預(yù)測,甚至能夠挖掘癌癥中潛在的亞型。Zhao等[4]通過開展冠心病風(fēng)險(xiǎn)通路內(nèi)、通路間網(wǎng)絡(luò)研究,挖掘了冠心病與阿爾茨海默病共享的功能模塊。本研究借助網(wǎng)絡(luò)分析理論,深入挖掘與SCZ相關(guān)的功能模塊,以揭示潛在的分子致病機(jī)制,為SCZ的基礎(chǔ)研究提供新思路。

1 材料與方法

1.1 數(shù)據(jù)來源

作為SCZ遺傳公共數(shù)據(jù)庫之一,SZDB數(shù)據(jù)庫[7](http：//www.szdb.org/)收錄了大量的數(shù)據(jù)集和候選基因。對SZDB數(shù)據(jù)庫進(jìn)行挖掘,納入標(biāo)準(zhǔn)：1)基因表達(dá)數(shù)據(jù)集;2)數(shù)據(jù)集的患者病例數(shù)超過10例,經(jīng)篩選得到5套完整數(shù)據(jù)集[8～12]。利用該數(shù)據(jù)庫提供的在線處理分析工具篩選差異表達(dá)基因。首先對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化(歸一化)預(yù)處理,隨后利用R和Bioconductor平臺中的Limma包進(jìn)行差異表達(dá)分析?？紤]到基因表達(dá)豐度低的mRNA的差異表達(dá)倍數(shù)不一定足夠大,本研究不設(shè)置差異倍數(shù)閾值。為了更好地控制差異表達(dá)結(jié)果和假陽性率,將在3套或以上數(shù)據(jù)集中具有顯著性差異表達(dá)(P＜0.05)的基因納入后續(xù)分析。最終共挖掘了944個(gè)與SCZ顯著相關(guān)的基因,并定義為初始種子基因集。

HPRD 數(shù)據(jù)庫[13](http：//www.hprd.org/)是人類蛋白質(zhì)參考數(shù)據(jù)庫,含有人類蛋白質(zhì)互作注釋信息。迄今為止,該數(shù)據(jù)庫儲(chǔ)存了41 327對蛋白質(zhì)互作(protein-protein interaction,PPI)對子數(shù)據(jù),數(shù)據(jù)可信度高,證據(jù)可靠。本研究提取該數(shù)據(jù)庫的PPI對子數(shù)據(jù),構(gòu)建致病基因網(wǎng)絡(luò)。

1.2 致病基因網(wǎng)絡(luò)的構(gòu)建

本研究構(gòu)建的網(wǎng)絡(luò)節(jié)點(diǎn)集合包含了初始種子基因集及其在PPI的一級鄰居基因,對于集合中的任意兩個(gè)不同節(jié)點(diǎn),假設(shè)其產(chǎn)物在PPI網(wǎng)絡(luò)中存在互作關(guān)系即視為網(wǎng)絡(luò)中連接。因此,構(gòu)建的網(wǎng)絡(luò)可視為SCZ特異性的風(fēng)險(xiǎn)基因網(wǎng)絡(luò),其中節(jié)點(diǎn)代表基因,節(jié)點(diǎn)間的邊代表基因間相互作用。

1.3 網(wǎng)絡(luò)功能模塊的挖掘

生物分子傾向于協(xié)同執(zhí)行一定的生物過程或發(fā)揮特定生物功能。同樣地,在生物分子網(wǎng)絡(luò)中,其對應(yīng)的節(jié)點(diǎn)連接高度緊密,聚合為節(jié)點(diǎn)簇,構(gòu)成網(wǎng)絡(luò)的模塊化(modularity)。因此,與同樣規(guī)模的隨機(jī)網(wǎng)絡(luò)相比,模塊化網(wǎng)絡(luò)連接更為緊密。從功能模塊的角度分析網(wǎng)絡(luò),能夠?qū)⑸锓肿舆M(jìn)行功能分區(qū)的劃歸,對預(yù)測其功能、理解生命活動(dòng)的層級和結(jié)構(gòu)具有關(guān)鍵提示作用。功能模塊的結(jié)構(gòu)劃分評價(jià)可看作是網(wǎng)絡(luò)結(jié)構(gòu)分解的優(yōu)化問題?；谘芯考僭O(shè),本研究通過Newman算法[14～15]對構(gòu)建的網(wǎng)絡(luò)進(jìn)行分解,從而識別網(wǎng)絡(luò)中高度模塊化的功能模塊。該算法將網(wǎng)絡(luò)分解問題轉(zhuǎn)變?yōu)槎涡蛢?yōu)化問題,并將之簡化為特征向量提取問題。Newman算法擬優(yōu)化的目標(biāo)函數(shù)為其中,當(dāng)Aij=1時(shí)說明節(jié)點(diǎn)i和節(jié)點(diǎn)j之間存在互作關(guān)系,反之取值為0;m代表網(wǎng)絡(luò)中邊的總數(shù);ki和kj分別代表節(jié)點(diǎn)i和j的連通度;s代表有n個(gè)節(jié)點(diǎn)指示變量的列向量,向量內(nèi)元素的取值為1或-1,si和sj分別代表節(jié)點(diǎn)i和j所屬的功能模塊,即si=即兩節(jié)點(diǎn)位于同一功能模塊時(shí),Q才能取得最大值。為了方便,將等式轉(zhuǎn)換為二次型的形式：Q=為s的倒置,由列向量變?yōu)樾邢蛄?B代表著一個(gè)內(nèi)部元素為Bij=Aij-kikj/2m的對稱矩陣,當(dāng)s取B的最大特征值對應(yīng)的特征向量時(shí),Q值最大。因?yàn)閟只可取值為±1,所以s只保留矩陣特征向量對應(yīng)的正負(fù)號,通過符號方向?qū)⒕W(wǎng)絡(luò)分解為兩部分。通過以上方法重復(fù)網(wǎng)絡(luò)一分為二的過程,直到網(wǎng)絡(luò)不能分解為止。最終將這些稠密、不可分割的子網(wǎng)提取出來,并定義為功能模塊。本研究設(shè)定的功能模塊節(jié)點(diǎn)數(shù)大于50,上述算法通過R語言“igraph”軟件包完成。

1.4 網(wǎng)絡(luò)拓?fù)鋵傩苑治?/h3>

對網(wǎng)絡(luò)的拓?fù)鋵傩赃M(jìn)行評價(jià)時(shí),評價(jià)指標(biāo)包括以下五方面的內(nèi)容。

1)網(wǎng)絡(luò)直徑(network diameter)：即網(wǎng)絡(luò)中任意兩個(gè)連通節(jié)點(diǎn)間最短路徑的最大值,可反映網(wǎng)絡(luò)的大小。

2)連通度(degree)：某個(gè)節(jié)點(diǎn)的連通度是指網(wǎng)絡(luò)中直接與該節(jié)點(diǎn)相連的邊數(shù),一般用符號k表示,能夠衡量該節(jié)點(diǎn)在維持網(wǎng)絡(luò)完整性中的作用。在隨機(jī)網(wǎng)絡(luò)中,連通度的分布符合泊松分布[16],通過檢驗(yàn)?zāi)硞€(gè)節(jié)點(diǎn)的連通度是否顯著大于一般節(jié)點(diǎn),可進(jìn)一步篩選和挖掘核心節(jié)點(diǎn)。基于理論假設(shè),某個(gè)節(jié)點(diǎn)的連通度大于或等于t的概率為：其中 λ=NP,λ 代表節(jié)點(diǎn)的期望連通度,N代表節(jié)點(diǎn)數(shù)目,P代表任意兩個(gè)節(jié)點(diǎn)發(fā)生連接的概率。通過Bonferroni校正,以P＜0.01為差異有統(tǒng)計(jì)學(xué)意義。當(dāng)P值小于預(yù)設(shè)檢驗(yàn)水準(zhǔn)時(shí),該節(jié)點(diǎn)即定義為核心節(jié)點(diǎn)。

3)介數(shù)(betweenness)：描述網(wǎng)絡(luò)中某節(jié)點(diǎn)的路徑占其他節(jié)點(diǎn)間最短路徑的比例。介數(shù)越高,表示其在維持網(wǎng)絡(luò)緊密連接性方面起更加重要的作用。

4)聚類系數(shù)(clustering coefficient)：衡量網(wǎng)絡(luò)中某節(jié)點(diǎn)與周圍節(jié)點(diǎn)的密集連接程度。

5)無標(biāo)度網(wǎng)絡(luò)(scale-free network)：指由少數(shù)高連通度節(jié)點(diǎn)及多數(shù)低連通度節(jié)點(diǎn)組成的網(wǎng)絡(luò)。一般認(rèn)為,無標(biāo)度網(wǎng)絡(luò)中連通度的分布符合冪律分布,即P(k)∝k-α,其中k代表接通度,α代表指數(shù)參數(shù),使用極大似然估計(jì)法[17]。本研究采用KS(K-olmogorov-Smirnov)擬合優(yōu)度檢驗(yàn)評判無標(biāo)度特性。

1.5 功能富集分析

通過R語言(版本3.5.0)“clusterProfiler”軟件包[18]對每個(gè)功能模塊進(jìn)行KEGG(Kyoto Encyclopedia of Genes and Genomes)功能富集分析。通過FDR校正,以P＜0.001為差異有統(tǒng)計(jì)學(xué)意義,并針對每個(gè)功能模塊最顯著的前5條富集通路開展后續(xù)分析。根據(jù)富集到的KEGG通路類別評估功能模塊之間的相互作用,利用Cytoscape軟件(版本3.6.1)構(gòu)建功能模塊與通路分類的關(guān)系。

本研究遵循上述流程開展,技術(shù)路線見圖1。

2 結(jié)果

2.1 網(wǎng)絡(luò)的構(gòu)建與拓?fù)鋵傩?/h3>

通過PPI引導(dǎo),構(gòu)建的SCZ特異性基因網(wǎng)絡(luò)含有3 207個(gè)節(jié)點(diǎn)和5 207個(gè)互作對子。由于網(wǎng)絡(luò)中的節(jié)點(diǎn)之間并非全部緊密連接,故將孤立作用的節(jié)點(diǎn)(TRIM63、PDK4、DLAT 等)去除掉,只對最大子網(wǎng)進(jìn)行后續(xù)分析,最終生成的網(wǎng)絡(luò)包含3 062個(gè)節(jié)點(diǎn)和5 120個(gè)互作對子。通過網(wǎng)絡(luò)拓?fù)鋵傩苑治龅玫骄W(wǎng)絡(luò)直徑為12,聚類系數(shù)為0.034,網(wǎng)絡(luò)平均路徑長度為4.972。

2.2 網(wǎng)絡(luò)功能模塊的挖掘與拓?fù)鋵傩苑治?/h3>

通過Newman分解算法對最終生成的網(wǎng)絡(luò)進(jìn)行分解,得到14個(gè)節(jié)點(diǎn)數(shù)大于50的功能模塊。14個(gè)功能模塊的拓?fù)鋵傩院蜔o標(biāo)度檢測結(jié)果如表1所示。從表1可知,功能模塊內(nèi)的節(jié)點(diǎn)數(shù)差別很大。例如：最大的功能模塊(M9)由522個(gè)節(jié)點(diǎn)和860條邊組成,每個(gè)節(jié)點(diǎn)平均含有1.6條邊,而最小的功能模塊(M14)由51個(gè)節(jié)點(diǎn)和52條邊組成,每個(gè)節(jié)點(diǎn)平均含有1條邊。從直徑的分布結(jié)果來看,功能模塊尺寸越大,其直徑反而呈下降的趨勢,這表明隨著功能模塊尺寸的增加,節(jié)點(diǎn)間聚集的程度會(huì)越發(fā)緊密。這些功能模塊的拓?fù)湫再|(zhì)指標(biāo)接近,直徑數(shù)值在8～15波動(dòng),特征路徑長度均小于6,呈現(xiàn)“小世界”的特性,符合六度分離理論,支持了生物學(xué)上無標(biāo)度網(wǎng)絡(luò)的常見表現(xiàn)[19]。無標(biāo)度檢驗(yàn)結(jié)果顯示,各功能模塊指數(shù)參數(shù)估計(jì)值均為2～3,連通度均近似符合冪律分布(KS檢驗(yàn),P＞0.05),支持了功能模塊的無標(biāo)度性質(zhì),可視為無標(biāo)度網(wǎng)絡(luò)。

圖1 數(shù)據(jù)獲取及分析流程圖Fig.1 Flow chart of data acquisition and analysis

2.3 核心基因的識別

利用泊松分布檢驗(yàn)篩選出102個(gè)核心基因(P＜0.01)。通過檢索PubMed數(shù)據(jù)庫,得到57個(gè)核心基因在已有文獻(xiàn)中被報(bào)道與SCZ相關(guān),其余的45個(gè)核心基因暫無文獻(xiàn)支持其與該疾病相關(guān)(表2)。在14個(gè)功能模塊中,M9含有的核心基因最多,多達(dá)21個(gè);M7含有的核心基因最少,僅有1個(gè)。圖2是我們利用R語言軟件展示的部分功能模塊與核心基因分布圖。

表1 各功能模塊的基本特征和拓?fù)鋵傩訲able 1 Basic characteristics and topological properties of each functional module

根據(jù)連通度對基因進(jìn)行排序,列出連通度較大的前10個(gè)基因的拓?fù)鋮?shù)(表3),結(jié)果顯示EGFR基因具有最高的連通度,維系著網(wǎng)絡(luò)中15.29%的基因間最短路徑的連通路徑,提示其在網(wǎng)絡(luò)中發(fā)揮重要作用。

2.4 模塊的功能富集分析

KEGG通路富集分析結(jié)果顯示,模塊內(nèi)的基因顯著富集于細(xì)胞凋亡(hsa04210)、ErbB信號通路(hsa04012)、細(xì)胞周期(hsa04110)、磷脂酶D信號通路(hsa04072)、PI3K-Akt信號通路(hsa04151)等多個(gè)有統(tǒng)計(jì)學(xué)意義的信號通路(表4)。根據(jù)富集到的KEGG通路類別評估這14個(gè)功能模塊之間的相互作用,利用Cytoscape軟件構(gòu)建功能模塊與通路分類的關(guān)系,結(jié)果如圖3所示。圖3信息表明,提取的SCZ功能模塊主要參與折疊、分類和降解(folding,sorting and degradation)、細(xì)胞通訊(cellular communication)、免 疫 系 統(tǒng)(immune system)、傳染病(infectious diseases)、癌癥(cancers)及內(nèi)分泌系統(tǒng)(endocrine system)等多個(gè)功能類別。

3 討論

表2 每個(gè)功能模塊的核心基因Table 2 Hub genes of each functional module

表3 連通度排名前10的網(wǎng)絡(luò)節(jié)點(diǎn)的拓?fù)鋵傩訲able 3 Topological properties of some network nodes

近年來隨著基因組學(xué)和蛋白質(zhì)組學(xué)的發(fā)展,眾多研究機(jī)構(gòu)利用組學(xué)實(shí)驗(yàn)手段產(chǎn)生了大量與疾病相關(guān)的實(shí)驗(yàn)數(shù)據(jù)。利用公共數(shù)據(jù)庫資源或整合實(shí)驗(yàn)數(shù)據(jù),能夠幫助研究者抽取有重要生物學(xué)意義的生物信息,重構(gòu)不同層次的生物分子網(wǎng)絡(luò)。從功能模塊的角度分析網(wǎng)絡(luò)的功能學(xué)特征,能夠挖掘有意義的生物分子或功能結(jié)構(gòu)。為此,本研究基于網(wǎng)絡(luò)模型,利用SZDB和HPRD公共數(shù)據(jù)庫構(gòu)建SCZ特異性的風(fēng)險(xiǎn)基因網(wǎng)絡(luò),并進(jìn)一步通過Newman算法對構(gòu)建的網(wǎng)絡(luò)進(jìn)行分解,挖掘了緊密聯(lián)系的功能模塊和核心基因,分析了功能模塊行使的生物學(xué)功能。

圖2 部分功能模塊與核心基因分布圖含有標(biāo)簽的節(jié)點(diǎn)代表對應(yīng)功能模塊的核心節(jié)點(diǎn),節(jié)點(diǎn)的大小代表該基因的連通度大小。Fig.2 Part of functional modules and hub gene distributionThe node containing the tag represents the hub node of the corresponding functional module,and the size of the node represents the degree of the gene.

本研究共挖掘了14個(gè)與SCZ相關(guān)的功能模塊,并通過拓?fù)鋵W(xué)指標(biāo)評價(jià)各模塊的拓?fù)湫再|(zhì),結(jié)果顯示所有功能模塊的拓?fù)鋵傩越咏?符合六度分離理論,具有小世界性,支持了生物學(xué)上無標(biāo)度網(wǎng)絡(luò)的常見表現(xiàn)。KS擬合優(yōu)度檢驗(yàn)結(jié)果顯示,所得功能模塊的連通度均近似服從冪律分布,符合無標(biāo)度性。無標(biāo)度性是指功能模塊包含了極少數(shù)連通度較高的核心基因,它們位于功能模塊的中樞,發(fā)揮“信息樞紐”的作用,能夠維持其功能的穩(wěn)定性,而這些核心基因一旦受到破壞將會(huì)影響功能模塊的功能,進(jìn)而導(dǎo)致疾病的發(fā)生發(fā)展。利用泊松分布檢驗(yàn)篩選得到102個(gè)核心基因,通過檢索PubMed數(shù)據(jù)庫,發(fā)現(xiàn)共有57個(gè)核心基因已被報(bào)道與SCZ相關(guān),例如EGFR、HAX1、IL1-R1、RALGDS、NSF等基因。其中,EGFR基因在網(wǎng)絡(luò)中具有最高的連通度,維系著網(wǎng)絡(luò)中15.29%的基因間最短路徑的連通路徑。EGFR是具有酪氨酸激酶活性的表皮生長因子受體家族(epithelial growth factor receptor family)成員。相關(guān)研究發(fā)現(xiàn),EGFR能夠抑制多巴胺D3樣受體的信號傳導(dǎo),是SCZ潛在的治療靶點(diǎn)[20]。除此之外,一些尚未有報(bào)道證實(shí)與SCZ相關(guān)的核心基因也在研究過程中被發(fā)現(xiàn),例如 SVIL、DNAJA1、RABAC1、STX6 等基因,雖然這些基因仍未經(jīng)過完善的研究和驗(yàn)證,但從本研究的結(jié)果來看,它們可能會(huì)成為治療SCZ的重要靶標(biāo)。

表4 各功能模塊的KEGG通路分析結(jié)果Table 4 KEGG pathways of each functional module

通過對所得功能模塊進(jìn)行KEGG信號通路的富集分析,發(fā)現(xiàn)大部分通路已有文獻(xiàn)支持與SCZ的發(fā)病機(jī)制相關(guān),例如：TGF-β1(hsa04350)和Hippo信號通路(hsa04390)在誘導(dǎo)Th17細(xì)胞的分化(hsa04659)過程中起著積極作用,進(jìn)而介導(dǎo)組織的炎癥反應(yīng)[21～23];血管緊張素轉(zhuǎn)換酶是腎素-血管緊張素系統(tǒng)(hsa04614)的關(guān)鍵酶,可以催化神經(jīng)肽的降解并調(diào)節(jié)多巴胺能和5-羥色胺能神經(jīng)傳遞[24];長時(shí)程抑制(hsa04730)作為突觸可塑性的主要形式之一,在學(xué)習(xí)和記憶形成的機(jī)制中發(fā)揮重要作用[25];FcγR介導(dǎo)的吞噬(hsa04666)過程能夠誘導(dǎo)肌動(dòng)蛋白細(xì)胞骨架的組裝(hsa04810),從而影響細(xì)胞的運(yùn)動(dòng)、分裂、黏附及吞噬過程,目前研究發(fā)現(xiàn)精神疾病的發(fā)病與神經(jīng)突觸被過度吞噬密切相關(guān)[26];腫瘤抑制因子PTEN對PI3K-Akt信號通路(hsa04151)起到負(fù)性調(diào)節(jié)作用,導(dǎo)致SCZ患者的認(rèn)知功能受到影響[27～28]。同時(shí),我們也得到了未明確證實(shí)與SCZ發(fā)病機(jī)制相關(guān)的通路,例如Ras信號通路(hsa04014)。據(jù)報(bào)道,Ras基因的失調(diào)能夠?qū)е?-羥色胺系統(tǒng)和多巴胺系統(tǒng)受損[29];Ras信號通路(hsa04014)在神經(jīng)細(xì)胞的生長、分化等多個(gè)生物學(xué)過程中具有重要作用[25],推測其與精神疾病的發(fā)病密切相關(guān)。

本研究根據(jù)富集到的KEGG通路類別探尋這14個(gè)功能模塊之間的相互作用,得到了更為深入的功能聯(lián)系。結(jié)果顯示,得到的功能模塊主要參與折疊、分類和降解、細(xì)胞通訊、免疫、傳染病、癌癥及內(nèi)分泌系統(tǒng)等多個(gè)功能類別。其中,信號轉(zhuǎn)導(dǎo)(M2,M3,M6,M9,M12)、細(xì)胞通訊(M1,M9,M11,M12)以及折疊、分類和降解(M2,M6,M13,M14)這3種功能類別的連通度較高,提示這些功能與SCZ的病理機(jī)制關(guān)系更為密切。除此之外,功能模塊M4、M7、M11共同參與免疫炎癥反應(yīng);功能模塊M3、M5、M7共同調(diào)控細(xì)胞周期;功能模塊M10主要富集于冠心病通路,提示功能模塊M10可能成為解釋SCZ和冠心病共享的關(guān)鍵功能模塊。功能模塊分析顯示,大部分功能模塊不是單獨(dú)發(fā)揮作用的,它們共同影響SCZ的發(fā)生發(fā)展,具有共享的病理機(jī)制。

圖3 功能模塊與通路分類的關(guān)系綠色圓圈表示功能模塊,紅色圓圈表示生物學(xué)通路對應(yīng)的功能類別。Fig.3 Relationship between functional modules and pathway classificationThe green circle represents the functional modules,and the red circle represents the functional category corresponding to the biological pathway.

總的來講,本研究從功能模塊的角度分析了SCZ網(wǎng)絡(luò)的功能學(xué)特征,為疾病的基礎(chǔ)研究提供了新的思路。此外,研究過程采用的方法具有普適性和推廣性,能夠進(jìn)一步推廣到其他疾病研究。需要指出的是,研究的預(yù)測結(jié)果在一定程度上受到數(shù)據(jù)庫的信息量完整性和正確性的影響,存在一定的局限性,在今后的研究中仍需要整合更多的數(shù)據(jù)信息來加以完善。