MaltSci 麦伴科研

Appearance

热门主题报告 / systems-biology

本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写

网络分析在疾病理解中的作用是什么？ ​

摘要 ​

近年来，网络分析作为一种强大的研究工具，越来越多地被应用于生物医学领域，尤其是在疾病理解和研究方面。网络分析通过揭示生物体内不同分子之间的相互作用，提供了一种全新的视角，帮助研究人员深入理解复杂疾病的机制。与传统的单一生物标志物研究相比，网络分析能够综合考虑多个数据类型，如基因组、转录组和蛋白质组数据，从而提供更加全面的疾病视图。尤其在癌症、心血管疾病和神经退行性疾病的研究中，网络分析能够识别异常的信号通路和网络模块，进而揭示疾病的发生和发展过程。研究显示，网络分析不仅能够识别关键的生物标志物和潜在的治疗靶点，还能够为个性化医疗的设计提供重要依据。尽管网络分析展现出巨大的潜力，但其发展仍面临一些挑战，如生物数据的复杂性和结果的可解释性。未来的研究应关注新兴技术的整合和临床应用的前景，以进一步推动网络分析技术在生物医学领域的发展。

大纲 ​

本报告将涉及如下问题的讨论。

  • 1 引言
  • 2 网络分析的基本概念
    • 2.1 网络分析的定义与类型
    • 2.2 网络分析的工具与技术
  • 3 网络分析在疾病理解中的应用
    • 3.1 癌症研究中的网络分析
    • 3.2 心血管疾病的网络视角
    • 3.3 神经退行性疾病的网络分析
  • 4 网络分析的优势与挑战
    • 4.1 优势：系统性与综合性
    • 4.2 挑战：数据复杂性与解读难度
  • 5 未来研究方向
    • 5.1 新兴技术的整合
    • 5.2 临床应用的前景
  • 6 总结

1 引言 ​

近年来，网络分析作为一种强大的研究工具，越来越多地被应用于生物医学领域，尤其是在疾病理解和研究方面。网络分析通过揭示生物体内不同分子之间的相互作用，提供了一种全新的视角，帮助研究人员深入理解复杂疾病的机制。与传统的单一生物标志物研究相比，网络分析能够综合考虑多个数据类型，如基因组、转录组和蛋白质组数据，从而提供更加全面的疾病视图[1][2]。这一方法特别适用于复杂疾病的研究，如癌症、心血管疾病和神经退行性疾病，因其能够识别出异常的信号通路和网络模块，进而揭示疾病的发生和发展过程[3][4]。

网络分析的研究意义在于，它不仅能够识别关键的生物标志物和潜在的治疗靶点，还能够为个性化医疗的设计提供重要依据。通过构建和分析疾病相关的生物网络，研究人员能够发现疾病与治疗之间的复杂关系，从而为临床实践提供新的思路[2][5]。例如，在癌症研究中，网络分析可以帮助识别与肿瘤发生相关的基因模块，从而推动新药的开发和临床应用[2][6]。

尽管网络分析在疾病理解中展现出巨大的潜力，但其发展仍面临一些挑战。首先，生物数据的复杂性使得网络的构建和分析变得困难，研究人员需要在海量数据中提取出有价值的信息[7][8]。其次，网络分析的结果往往需要与生物学实验相结合，以验证其生物学意义和临床相关性[6][9]。因此，如何提高网络分析的可解释性和实用性，仍然是未来研究的重要方向。

本报告将系统回顾网络分析在疾病理解中的作用，主要内容包括：首先，介绍网络分析的基本概念及其工具和技术；其次，探讨网络分析在癌症、心血管疾病和神经退行性疾病研究中的具体应用；然后，分析网络分析的优势与挑战，特别是在数据复杂性和解读难度方面；最后，展望未来研究方向，包括新兴技术的整合和临床应用的前景。通过对这些内容的深入探讨，期望能够为研究人员提供有价值的见解，并推动网络分析技术在生物医学领域的进一步发展。

2 网络分析的基本概念 ​

2.1 网络分析的定义与类型 ​

网络分析是一种独特的研究方法，旨在描述、探索和理解健康的结构和关系方面。它不仅是一种方法工具，也是一种理论范式，使我们能够提出和回答公共卫生中的重要生态问题。网络分析的历史根源于数学、统计学、社会学、人类学、心理学、生物学、物理学和计算机科学等多个学科[10]。

在公共卫生领域，网络分析主要用于研究疾病传播，尤其是HIV/AIDS及其他性传播疾病的信息传播，社会支持和社会资本的作用，个人和社会网络对健康行为的影响，以及健康系统的跨组织结构[10]。例如，网络分析在慢性呼吸疾病的研究中，能够通过整合多种临床和生物数据，帮助理解这些复杂的多因素疾病的病因，并识别新的治疗方法[3]。

此外，网络分析在系统生物学、系统药理学和转化科学中也扮演着越来越重要的角色。通过网络分析，研究人员可以更好地理解复杂疾病的机制和药物作用，从而设计出新的药物方法，例如药物重定位、多靶点药物和联合疗法[1]。例如，VisANT平台的最新版本提供了便捷的网络分析功能，以连接基因、药物、疾病和疗法，帮助构建和过滤网络[1]。

网络分析的一个重要应用是疾病-疾病关系的研究，这对理解疾病机制和寻找药物的替代用途具有重要意义。通过构建疾病基因的子网络，研究人员能够分析不同疾病之间的关系[11]。这种方法不仅可以揭示疾病之间的潜在联系，还能为精准医学提供指导，帮助识别新的连接性和过渡时间[12]。

总的来说，网络分析通过揭示疾病之间的复杂关系和机制，提供了对疾病理解的全新视角，并为公共卫生、药物发现及治疗策略的制定提供了强有力的支持。随着数据量的增加和计算能力的提升，网络分析将在未来的生物医学研究中发挥更加重要的作用。

2.2 网络分析的工具与技术 ​

网络分析在疾病理解中扮演着重要的角色，尤其是在探讨复杂疾病机制和药物发现方面。网络分析是一种研究方法，适用于描述、探索和理解健康的结构和关系方面。它不仅是一种方法工具，也是一个理论范式，使我们能够提出和回答公共卫生中的重要生态问题[10]。

网络分析的基本概念在于将生物、物理和社会系统的各种元素（节点）通过链接（边）相互连接，从而形成网络。通过这种方式，研究人员可以更好地理解系统的动态及其特征。例如，在公共卫生领域，网络分析主要用于研究疾病传播、信息传播、社会支持的角色以及个人和社会网络对健康行为的影响[10]。

在技术层面，网络分析工具的应用在多个领域中得到了广泛的发展。例如，VisANT 4.0作为一个整合性网络平台，旨在连接基因、药物、疾病和治疗。该平台提供了多种功能，包括集成搜索和导航疾病与药物的层级、疾病-基因、治疗-药物及药物-靶点关联的整合，以支持网络构建和过滤[1]。此外，网络分析也被应用于理解慢性呼吸疾病的病理机制，整合多种类型和层次的临床和生物数据，以识别新的治疗策略[3]。

网络分析在药物发现中的应用同样显著。计算生物学家利用网络分析来揭示与药物发现相关的各种数据类型之间的关系。例如，信号传导和代谢通路通常被用于理解疾病状态和药物机制。网络分析还能够帮助识别疾病与分子机制、基因靶点之间的关系，从而促进新药的开发[5]。

在具体的应用中，网络分析可以揭示疾病之间的关系，帮助理解疾病机制。例如，研究者构建的诊断进展网络利用大规模索赔数据分析疾病之间的关联，发现性别、年龄和疾病类别是决定疾病网络结构的重要因素。这种网络方法不仅有助于识别新的连接性，还能为精准医学提供指导[12]。

总之，网络分析作为一种强大的工具，不仅在疾病理解和机制探索中提供了新的视角，也在药物发现和公共卫生政策制定中展现了其独特的价值。通过整合多种数据类型，网络分析能够为复杂疾病的研究提供深刻的见解，并推动新的治疗策略的开发。

3 网络分析在疾病理解中的应用 ​

3.1 癌症研究中的网络分析 ​

网络分析在疾病理解，特别是在癌症研究中，发挥了重要的作用。随着对癌症机制的深入研究，越来越多的证据表明，癌症的发生与特定分子网络的功能扰动有关，而不仅仅是单个基因的突变或失调。因此，网络分析成为理解癌症的一个关键工具。

在精准肿瘤学中，网络基础的分析方法逐渐显现出其重要性。这些方法通过集成个人基因组数据和生物医学知识库，能够识别肿瘤特异的分子机制、候选靶点以及重新定位的药物。这种网络分析不仅关注单个突变，而是从整体上考虑肿瘤相关的分子网络和通路，从而更全面地理解癌症的生物学特征[13]。

具体来说，网络生物学帮助研究者揭示癌症细胞在不同条件下的分子相互作用。这种方法允许科学家估计与特定癌症特征相关的基因调控网络，进而为个性化抗癌治疗提供依据[14]。此外，网络分析还可以识别疾病特异的通路亚结构，通过分析表达数据，进一步揭示与疾病状态相关的生物学现象[15]。

在临床干预方面，网络生物学为神经退行性疾病的研究提供了有力工具，这些疾病的机制往往与癌症、糖尿病等其他疾病存在复杂的关系。通过网络分析，研究者能够识别与这些疾病相关的基因、诊断生物标志物和治疗靶点，进而为临床干预提供理论支持[16]。

总体而言，网络分析为理解疾病提供了一种系统性的方法，能够整合来自不同领域的数据，揭示疾病的复杂性和多样性。这种方法在药物发现和个性化治疗中展现出广泛的应用潜力，尤其是在癌症的精准治疗中，网络分析将继续发挥其重要作用[5]。

3.2 心血管疾病的网络视角 ​

网络分析在疾病理解中扮演着至关重要的角色，尤其是在心血管疾病的研究中。心血管疾病被认为是导致全球死亡的主要原因之一，尽管研究者们已经对其成因进行了多年的探索，但许多机制仍然不为人知或理解不足。网络医学作为一种新兴的整合性领域，试图通过将疾病视为多个相互关联的生物成分之间的破坏性联系的结果，来阐明这一问题[17]。

网络医学强调疾病是多重生物通路之间相互作用的结果，而非单一分子事件。这种方法使得研究者能够识别复杂疾病机制中的重要发现，进而推动对心血管疾病的理解[18]。具体而言，网络分析能够整合来自基因组、转录组、蛋白质组和代谢组的多组学数据，帮助识别与心血管疾病相关的生物标志物并开发新的治疗策略[19]。

此外，网络分析还能够揭示不同心血管疾病之间的相互关系。例如，研究表明，嗜中性粒细胞外陷阱（NETs）与多种心血管疾病（如心力衰竭、肺动脉高压和心房颤动）存在关联[20]。这种关系的探讨不仅有助于理解疾病的病理机制，还可能为开发针对特定病理过程的治疗方法提供新的思路。

通过应用网络分析，研究者们能够识别出潜在的风险因素和生物标志物，这对于心血管疾病的早期诊断和个性化治疗具有重要意义[21]。例如，利用贝叶斯网络模型，研究者能够评估心血管风险因素之间的相互关系，并为临床决策提供支持工具[21]。这种整合方法的有效性在于它能够处理复杂的数据集，提供更为全面的疾病理解。

总之，网络分析为心血管疾病的研究提供了新的视角和工具，使得研究者能够从系统生物学的角度更深入地理解疾病机制、风险因素及其相互作用。这一方法的进步不仅推动了基础研究的深入，也为临床实践提供了更为科学的依据，促进了个性化医疗的发展。

3.3 神经退行性疾病的网络分析 ​

网络分析在神经退行性疾病的理解中发挥着重要作用。近年来，网络生物学和功能成像技术的结合使研究人员能够深入探讨神经退行性疾病（如阿尔茨海默病、帕金森病和亨廷顿病）中的分子机制和神经回路异常。

首先，网络分析能够揭示功能性大脑网络的拓扑结构，这些网络的异常变化与不同神经退行性疾病的症状密切相关。例如，在帕金森病中，静息态代谢图像的空间协方差分析已经识别出与运动和认知症状相关的特定区域模式[22]。这种分析不仅有助于理解疾病的病理机制，还能够评估治疗策略的有效性和疾病进展。

其次，网络分析为临床干预提供了新的视角。通过网络生物学，研究人员发现了导致神经退行性疾病的致病基因、诊断生物标志物和治疗靶点[16]。这种方法揭示了癌症、糖尿病与神经退行性疾病之间的关系，帮助理解不同疾病之间的潜在联系。

此外，功能成像网络分析工具被应用于脑成像图谱，帮助表征神经退行性疾病所导致的异常神经回路[23]。这种方法能够在症状出现之前识别出网络异常，并在疾病的早期阶段进行追踪，提供了对疾病进展的定量评估。这一过程不仅有助于早期诊断，还可能在临床试验中作为疗效标志物。

网络分析还能够帮助理解神经退行性疾病的传播机制。近年来的研究表明，病理性蛋白质在特定的宏观大脑网络中积累，这一发现表明网络结构在神经退行性疾病的系统性病理生理中起着关键作用[24]。通过使用先进的神经影像学方法，研究人员能够绘制出病理传播的网络模型，从而揭示这些疾病如何通过神经网络相互影响和扩散[25]。

综上所述，网络分析为理解神经退行性疾病提供了强有力的工具，不仅帮助揭示了疾病的分子机制和病理特征，还为早期诊断和治疗策略的开发提供了重要依据。这一领域的持续发展有望进一步促进个性化医学的进步，改善患者的预后。

4 网络分析的优势与挑战 ​

4.1 优势：系统性与综合性 ​

网络分析在疾病理解中的角色至关重要，特别是在应对复杂疾病时，其系统性与综合性优势尤为突出。网络分析作为一种研究方法，能够有效描述、探索和理解健康的结构和关系方面，既是一种方法论工具，也是一个理论范式，使研究者能够提出和回答公共卫生领域的重要生态问题[10]。

首先，网络分析的系统性使其能够整合多种类型和层次的临床和生物数据。这种整合能力对于理解慢性呼吸疾病等复杂多因素疾病的发病机制至关重要。研究表明，采用基于系统生物学的策略，尤其是网络分析，可以提供对疾病机制的深刻洞察，帮助识别新的治疗靶点[3]。例如，网络分析可以揭示疾病基因、药物靶点和疾病之间的关系，从而为药物发现提供新的视角[26]。

其次，网络分析的综合性体现在其能够处理和分析来自不同学科的数据，包括生物学、计算机科学、社会学等。这种跨学科的整合能力使得网络分析在公共卫生、药物发现及疾病机制研究中发挥了重要作用。例如，网络医学通过整合基因、蛋白质和代谢物的相互作用与临床知识，帮助理解复杂疾病的病理生理过程，并推动新的计算和数学方法的开发，以识别新的疾病通路和预测患者对药物的反应[2]。

然而，尽管网络分析在疾病理解中展现出诸多优势，其挑战也不容忽视。网络分析通常需要复杂的计算方法和大量的数据，这对非专业人员来说可能具有挑战性[3]。此外，网络分析方法的有效性依赖于所使用的数据质量和类型，数据的缺失或不准确可能会影响分析结果的可靠性[27]。

总的来说，网络分析为疾病理解提供了一种系统而综合的方法，能够揭示复杂的生物和社会网络之间的相互作用，从而推动疾病机制的深入研究和新治疗策略的开发。然而，研究者在应用这些方法时需充分考虑其局限性，并努力克服相关挑战，以实现其潜在的应用价值。

4.2 挑战：数据复杂性与解读难度 ​

网络分析在疾病理解中的作用主要体现在其能够揭示复杂生物系统的交互和动态特性。随着高通量技术的发展，生物医学研究已经转变为一个数据丰富的学科。然而，如何有效地解读和分析这些庞大的生物数据集，以提取出有价值的生物学信息，仍然是当前研究中的一大挑战。

网络分析作为一种研究方法，能够提供对生物系统的全局视角，强调了不同生物分子之间的相互作用和动态变化，而不仅仅是单个成分的研究。这种方法使研究者能够识别出影响疾病表型的关键因素，从而深入理解疾病机制[6]。例如，网络分析能够通过考虑独特的遗传和环境因素，定义表型差异，并为识别能够改变疾病表现的治疗靶点提供机制基础[28]。

尽管网络分析具有显著的优势，但也面临诸多挑战。其中，数据的复杂性和解读的难度是最为突出的。生物系统的复杂性使得单一的数据分析方法往往无法捕捉到系统的全貌。研究者需要综合多种类型和层次的临床与生物数据，采用系统生物学的策略来深入理解慢性疾病的发病机制[3]。然而，这些系统方法通常依赖于复杂的计算方法，对于非专业人员来说，理解和应用这些方法存在一定的难度[3]。

此外，数据的可靠性也是网络分析中的一个重要问题。网络数据往往受到噪声和缺失信息的影响，这可能导致对真实网络特性的误判。因此，研究者需要建立可靠的数学和计算框架，以识别和纠正网络中的缺失和虚假交互[29]。这种数据处理的复杂性增加了研究的难度，使得从复杂网络中提取有意义的信息变得更加具有挑战性。

综上所述，网络分析在疾病理解中发挥着重要的作用，能够揭示生物系统的复杂交互关系。然而，数据复杂性和解读难度仍然是该领域面临的主要挑战，研究者需不断探索新的方法和工具，以提高网络分析的有效性和可靠性。

5 未来研究方向 ​

5.1 新兴技术的整合 ​

网络分析在疾病理解中扮演着至关重要的角色，尤其是在复杂疾病的研究和治疗策略的制定方面。网络分析不仅是一种方法论工具，还是一种理论范式，能够帮助研究人员探讨和理解健康的结构性和关系性方面。其在公共卫生中的应用，尤其是对疾病传播、信息传播、社会支持和社会资本的研究，显示了网络分析在揭示健康行为及其影响因素方面的潜力[10]。

随着疾病相关基因和药物靶点知识的快速积累，基于网络的分析在系统生物学、系统药理学和转化科学中变得越来越重要。通过网络分析，可以更好地理解复杂疾病的机制和药物作用，从而设计出新的药物方法，例如药物重定位、多靶点药物和联合治疗[1]。网络分析通过将疾病、基因、药物和治疗之间的关系进行整合，能够促进疾病理解的深化。

在慢性呼吸疾病的研究中，网络分析为识别和理解这些复杂的多因素疾病提供了系统性的视角。这种方法强调了临床和生物数据的整合，以便识别新的治疗目标和策略[3]。此外，网络分析还为植物病理学提供了新的工具，以应对复杂的植物疾病管理挑战，尤其是在识别生物控制策略和预测疾病发生方面的潜力[8]。

未来研究方向中，网络分析有望与新兴技术相结合，以提升对疾病机制的理解。例如，利用“组学”数据集，结合生物信息学和计算生物学的方法，能够为疾病的机制提供更全面的视角。这种整合不仅可以揭示不同表型之间的联系，还能帮助识别新的药物治疗策略[4]。

此外，网络医学作为一种新兴的研究领域，通过整合基因、蛋白质和代谢物的相互作用数据，与临床疾病知识相结合，为复杂疾病的理解和治疗提供了宏观视角。这种方法有助于识别新的疾病通路和预测患者的药物反应，从而推动精准医学的发展[2]。通过这种整合，网络分析将继续在生物医学研究中发挥重要作用，帮助研究人员更好地理解疾病机制并制定有效的治疗策略。

5.2 临床应用的前景 ​

网络分析在疾病理解中的作用不可小觑，它不仅为我们提供了研究复杂疾病的全新视角，还为临床应用开辟了新的前景。网络分析是一种研究方法，能够有效描述、探索和理解健康的结构和关系方面。它结合了数学、统计学、社会学、心理学、生物学等多学科的理论基础，能够回答公共卫生领域的重要生态问题（Luke & Harris, 2007）[10]。

在疾病理解方面，网络分析帮助研究者揭示了疾病之间的关系及其背后的机制。例如，网络分析被广泛应用于研究疾病传播，尤其是HIV/AIDS等性传播疾病，以及信息传播和社会支持的角色。通过分析个人和社会网络对健康行为的影响，研究者能够更深入地理解疾病的传播途径和影响因素（Luke & Harris, 2007）[10]。

随着对疾病、疾病相关基因和药物靶点知识的快速积累，网络分析在系统生物学、系统药理学和转化科学中的作用日益重要。例如，VisANT 4.0平台的更新提供了新的功能，促进疾病、治疗、基因和药物的网络分析。这种集成化的分析方法使得研究者能够设计新型药物策略，如药物重定位和组合治疗（Hu et al., 2013）[1]。

未来研究方向将更加注重如何将网络分析应用于更广泛的疾病机制理解中。网络分析不仅限于传统的基因与疾病之间的关系，还扩展到疾病与环境因素、药物作用机制的综合分析。这种方法能够为新疗法的开发提供独特的视角，例如通过识别疾病表型之间的独特遗传和环境因素，从而定义潜在的治疗靶点（Grimaldi et al., 2009）[6]。

在临床应用的前景方面，网络分析的整合能力使其在个体化医疗中展现出巨大的潜力。通过构建疾病诊断进展网络，研究者能够识别影响疾病发展的重要风险因素，如年龄、性别和既往诊断。这种方法不仅能够帮助发现新的疾病连接，还能为精确医疗提供指导（Jeong et al., 2017）[12]。此外，网络医学的兴起也使得研究者能够在药物开发和疾病治疗中应用网络分析，识别新的疾病通路并预测患者对药物的反应（Jacunski & Tatonetti, 2013）[2]。

综上所述，网络分析在疾病理解中扮演着至关重要的角色，其未来研究方向将更加注重综合性和系统性，最终为临床应用提供更为精准和有效的解决方案。

6 总结 ​

本报告系统回顾了网络分析在疾病理解中的重要作用，特别是在癌症、心血管疾病和神经退行性疾病的研究中。主要发现表明，网络分析不仅能揭示疾病机制的复杂性，还能识别关键生物标志物和潜在治疗靶点，为个性化医疗提供重要依据。尽管网络分析展现出巨大的潜力，但其发展仍面临数据复杂性和解读难度等挑战。因此，未来的研究方向应着重于新兴技术的整合，提升网络分析的可解释性和实用性。此外，临床应用的前景也将不断拓展，为疾病的早期诊断和精准治疗提供更多可能性。综上所述，网络分析在生物医学研究中将继续发挥其关键作用，推动对复杂疾病的深入理解和新治疗策略的开发。

参考文献 ​

  • [1] Zhenjun Hu;Yi-Chien Chang;Yan Wang;Chia-Ling Huang;Yang Liu;Feng Tian;Brian Granger;Charles Delisi. VisANT 4.0: Integrative network platform to connect genes, drugs, diseases and therapies.. Nucleic acids research(IF=13.1). 2013. PMID:23716640. DOI: 10.1093/nar/gkt401.
  • [2] A Jacunski;N P Tatonetti. Connecting the dots: applications of network medicine in pharmacology and disease.. Clinical pharmacology and therapeutics(IF=5.5). 2013. PMID:23995266. DOI: 10.1038/clpt.2013.168.
  • [3] Diego Diez;Alvar Agustí;Craig E Wheelock. Network analysis in the investigation of chronic respiratory diseases. From basics to application.. American journal of respiratory and critical care medicine(IF=19.4). 2014. PMID:25254605. DOI: 10.1164/rccm.201403-0421PP.
  • [4] Ítalo Faria do Valle. Recent advances in network medicine: From disease mechanisms to new treatment strategies.. Multiple sclerosis (Houndmills, Basingstoke, England)(IF=5.0). 2020. PMID:31965895. DOI: 10.1177/1352458519877002.
  • [5] Samiul Hasan;Bhushan K Bonde;Natalie S Buchan;Matthew D Hall. Network analysis has diverse roles in drug discovery.. Drug discovery today(IF=7.5). 2012. PMID:22627007. DOI: 10.1016/j.drudis.2012.05.006.
  • [6] David Grimaldi;Yann-Erick Claessens;Jean-Paul Mira;Jean-Daniel Chiche. Beyond clinical phenotype: the biologic integratome.. Critical care medicine(IF=6.0). 2009. PMID:19104224. DOI: 10.1097/CCM.0b013e3181920cca.
  • [7] Joel E Nava-Doctor;César A Sandoval-Ruiz;Antonio Fernández-Crispín. Knowledge, attitudes, and practices regarding vector-borne diseases in central Mexico.. Journal of ethnobiology and ethnomedicine(IF=3.7). 2021. PMID:34289861. DOI: 10.1186/s13002-021-00471-y.
  • [8] K A Garrett;R I Alcalá-Briseño;K F Andersen;C E Buddenhagen;R A Choudhury;J C Fulton;J F Hernandez Nopsa;R Poudel;Y Xing. Network Analysis: A Systems Framework to Address Grand Challenges in Plant Pathology.. Annual review of phytopathology(IF=11.9). 2018. PMID:29979928. DOI: 10.1146/annurev-phyto-080516-035326.
  • [9] Adrien Levasseur;Guillaume St-Jean;Marilène Paquet;Derek Boerboom;Alexandre Boyer. Targeted Disruption of YAP and TAZ Impairs the Maintenance of the Adrenal Cortex.. Endocrinology(IF=3.3). 2017. PMID:28938438. DOI: 10.1210/en.2017-00098.
  • [10] Douglas A Luke;Jenine K Harris. Network analysis in public health: history, methods, and applications.. Annual review of public health(IF=20.7). 2007. PMID:17222078. DOI: 10.1146/annurev.publhealth.28.021406.144132.
  • [11] Jiajie Peng;Jiaojiao Guan;Weiwei Hui;Xuequn Shang. A novel subnetwork representation learning method for uncovering disease-disease relationships.. Methods (San Diego, Calif.)(IF=4.3). 2021. PMID:32946974. DOI: 10.1016/j.ymeth.2020.09.002.
  • [12] Eugene Jeong;Kyungmin Ko;Seungbin Oh;Hyun Wook Han. Network-based analysis of diagnosis progression patterns using claims data.. Scientific reports(IF=3.9). 2017. PMID:29138438. DOI: 10.1038/s41598-017-15647-4.
  • [13] Wei Zhang;Jeremy Chien;Jeongsik Yong;Rui Kuang. Network-based machine learning and graph theory algorithms for precision oncology.. NPJ precision oncology(IF=8.0). 2017. PMID:29872707. DOI: 10.1038/s41698-017-0029-7.
  • [14] Heewon Park;Satoru Miyano. Computational Tactics for Precision Cancer Network Biology.. International journal of molecular sciences(IF=4.9). 2022. PMID:36430875. DOI: 10.3390/ijms232214398.
  • [15] Salvatore Alaimo;Gioacchino Paolo Marceca;Alfredo Ferro;Alfredo Pulvirenti. Detecting Disease Specific Pathway Substructures through an Integrated Systems Biology Approach.. Non-coding RNA(IF=3.0). 2017. PMID:29657291. DOI: 10.3390/ncrna3020020.
  • [16] Jose A Santiago;Judith A Potashkin. A network approach to clinical intervention in neurodegenerative diseases.. Trends in molecular medicine(IF=13.8). 2014. PMID:25455073. DOI: .
  • [17] Noora Alhajri;Mohammad Rustom;Adedayo Adegbile;Weshah Ahmed;Salsabeel Kilidar;Nariman Afify. Deciphering the Basis of Molecular Biology of Selected Cardiovascular Diseases: A View on Network Medicine.. International journal of molecular sciences(IF=4.9). 2022. PMID:36232723. DOI: 10.3390/ijms231911421.
  • [18] Laurel Y Lee;Arvind K Pandey;Bradley A Maron;Joseph Loscalzo. Network medicine in Cardiovascular Research.. Cardiovascular research(IF=13.3). 2021. PMID:33165538. DOI: 10.1093/cvr/cvaa321.
  • [19] Cristine J Reitz;Uros Kuzmanov;Anthony O Gramolini. Multi-omic analyses and network biology in cardiovascular disease.. Proteomics(IF=3.9). 2023. PMID:37691071. DOI: 10.1002/pmic.202200289.
  • [20] Yiyue Tang;Yang Jiao;Xiaohua An;Qingxian Tu;Qianfeng Jiang. Neutrophil extracellular traps and cardiovascular disease: Associations and potential therapeutic approaches.. Biomedicine & pharmacotherapy = Biomedecine & pharmacotherapie(IF=7.5). 2024. PMID:39357329. DOI: 10.1016/j.biopha.2024.117476.
  • [21] J M Ordovas;D Rios-Insua;A Santos-Lozano;A Lucia;A Torres;A Kosgodagan;J M Camacho. A Bayesian network model for predicting cardiovascular risk.. Computer methods and programs in biomedicine(IF=4.8). 2023. PMID:36796167. DOI: 10.1016/j.cmpb.2023.107405.
  • [22] David Eidelberg. Metabolic brain networks in neurodegenerative disorders: a functional imaging approach.. Trends in neurosciences(IF=15.1). 2009. PMID:19765835. DOI: 10.1016/j.tins.2009.06.003.
  • [23] Matej Perovnik;Tomaž Rus;Katharina A Schindlbeck;David Eidelberg. Functional brain networks in the evaluation of patients with neurodegenerative disorders.. Nature reviews. Neurology(IF=33.1). 2023. PMID:36539533. DOI: 10.1038/s41582-022-00753-3.
  • [24] Jacob W Vogel;Nick Corriveau-Lecavalier;Nicolai Franzmeier;Joana B Pereira;Jesse A Brown;Anne Maass;Hugo Botha;William W Seeley;Dani S Bassett;David T Jones;Michael Ewers. Connectome-based modelling of neurodegenerative diseases: towards precision medicine and mechanistic insight.. Nature reviews. Neuroscience(IF=26.7). 2023. PMID:37620599. DOI: 10.1038/s41583-023-00731-8.
  • [25] Federica Agosta;Marina Weiler;Massimo Filippi. Propagation of pathology through brain networks in neurodegenerative diseases: from molecules to clinical phenotypes.. CNS neuroscience & therapeutics(IF=5.0). 2015. PMID:26031656. DOI: 10.1111/cns.12410.
  • [26] Peng Li;Yingxue Fu;Yonghua Wang. Network based approach to drug discovery: a mini review.. Mini reviews in medicinal chemistry(IF=3.3). 2015. PMID:25694073. DOI: 10.2174/1389557515666150219143933.
  • [27] Cheri A Levinson;Irina A Vanzhula;Leigh C Brosof;Kelsie Forbush. Network Analysis as an Alternative Approach to Conceptualizing Eating Disorders: Implications for Research and Treatment.. Current psychiatry reports(IF=6.7). 2018. PMID:30079431. DOI: 10.1007/s11920-018-0930-y.
  • [28] Antonio del Sol;Rudi Balling;Lee Hood;David Galas. Diseases as network perturbations.. Current opinion in biotechnology(IF=7.0). 2010. PMID:20709523. DOI: 10.1016/j.copbio.2010.07.010.
  • [29] Roger Guimerà;Marta Sales-Pardo. Missing and spurious interactions and the reconstruction of complex networks.. Proceedings of the National Academy of Sciences of the United States of America(IF=9.1). 2009. PMID:20018705. DOI: 10.1073/pnas.0908366106.

麦伴智能科研服务 ​

在麦伴科研 (maltsci.com) 搜索更多文献 ​

网络分析 · 疾病理解 · 生物标志物 · 个性化医疗

© 2025 MaltSci 麦伴科研