编辑推荐：
在遗传疾病研究中，疾病基因预测至关重要。研究人员开展了 “Disease candidate genes prediction using positive labeled and unlabeled instances” 主题研究，提出 S - PUL 方法。该方法在多种疾病预测中效果优于其他研究，有助于更准确地识别疾病基因，推动遗传疾病治疗与预防。
在生命科学的神秘领域中，基因宛如隐藏在黑暗中的密码，掌控着人类健康与疾病的钥匙。遗传疾病，这些由基因缺陷引发的病症，像难缠的幽灵，从祖辈悄然传递，时不时给人们带来痛苦与挑战。长久以来，医生和健康研究者们都在努力攻克遗传疾病治疗和预防的难题，而预测疾病基因、了解其运作机制，就成为了这场战斗的关键 “导火索”。
传统的实验方法在探寻疾病基因时，就像在黑暗中摸索，不仅耗费大量的资金和时间，还难以精准定位。随着科技的发展，机器学习技术逐渐崭露头角，为这一领域带来了新的曙光。不过，在利用机器学习预测疾病基因的过程中，研究人员面临着一个棘手的问题：数据集中缺乏明确的负样本。就好比在一场寻宝游戏中，没有清晰的 “非宝藏” 标识，这使得准确找到真正的 “宝藏”—— 疾病基因变得困难重重。
在这样的背景下，来自伊朗德黑兰塔里巴特莫达雷斯大学（Tarbiat Modares University）计算机工程系的 Sepideh Molaei 和 Saeed Jalili 勇敢地迎接挑战，开展了相关研究。他们提出了一种创新的方法 —— 基于评分的阳性无标签学习（Scored - Positive Unlabeled Learning，S - PUL），旨在更精准地预测疾病候选基因。这项研究成果发表在《BMC Medical Genomics》上，为遗传疾病研究领域注入了新的活力。
研究人员为开展这项研究，运用了多个关键技术方法。首先是数据归一化，通过特定公式对基因表达数据进行处理，消除不同基因表达范围差异带来的影响。在可靠负基因提取环节，运用 Robust Gaussian、KNN、Parzen window 和 SVDD 等一类分类算法，从无标签样本中筛选出可靠的负基因。疾病二元模型学习时，借助支持向量机（SVM）算法构建模型，并通过设计特定的筛选流程确定正训练数据。最后在疾病候选基因预测和排序步骤，依据基因与疾病基因的距离、与支持向量的距离等因素设计评分算法，实现对基因的预测和排序。
下面来看看具体的研究结果：
- 评估提取的可靠负基因：在选择一类学习算法时，研究人员对比了 SVDD、Robust Gaussian、KNN 和 Parzen Window 这几种算法。通过两种评估方法发现，SVDD 算法在提取可靠负基因方面表现最为出色，能标记出最多比例的负样本，且提取的负基因可靠性较高。
- 评估二元分类算法性能和选择疾病基因：研究人员对五种二元分类算法进行了评估，发现 S - PUL 方法中的过滤疾病基因方式能有效提升召回率（Recall）、精度（Precision）和 F1值，且 SVM 二元模型学习算法的效率高于其他算法，因此被选用。
- 评估疾病候选基因预测和排序：在这部分研究中，研究人员对过滤器 3、第二分数和第三分数的使用效果分别进行了评估。结果显示，实施过滤器 3 能提高 S - PUL_V2 版本在所有疾病中的召回率；使用第二分数的 S - PUL_V3 版本在保持召回率的同时提高了精度；使用第三分数的 S - PUL_V4 版本显著提高了精度且维持了召回率。综合来看，S - PUL_V5 版本在所有评估指标上都优于其他版本。
- 比较 S - PUL 方法与其他方法的效率：将 S - PUL 方法与以往的研究方法进行对比，发现 S - PUL 方法在多种疾病预测中的精度和召回率都有显著提升。例如，在结肠癌（Colon）、前列腺癌（Prostate）等疾病中，召回率和精度都有不同程度的增加；在神经系统疾病（Neurological disease）中，S - PUL_V5 版本的 AUC 值相比之前的最佳方法提升了 8.82%。与生物学家的预测结果相比，S - PUL 方法在预测疾病基因方面也表现出较高的准确性。
研究结论表明，S - PUL 方法通过提取可靠负基因、合理筛选正训练基因以及运用有效的评分算法，在疾病候选基因预测和排序方面展现出强大的性能。该方法预测的疾病基因与 2015 - 2016 年、2017 - 2020 年已知疾病基因的平均对应率分别达到 99.51% 和 98.54%，同时在评估疾病基因时，被误判为负基因的平均比例仅为 96.74%。这一成果为遗传疾病的研究提供了更精准、有效的手段，有助于加速遗传疾病治疗药物的研发进程，为人类健康事业带来了新的希望。
不过，研究人员也意识到研究存在一些不足并对未来研究提出了建议。例如，S - PUL 方法中距离划分和基因评分方式有待改进；可以借助蛋白质 - 蛋白质相互作用网络（PPI network）等更多信息源提升负基因的可靠性；除了现有的统计测量方法，还可考虑更多遗传因素对疾病形成的影响；尝试运用深度学习方法优化疾病候选基因的识别和预测结果。这些建议为后续研究指明了方向，有望推动该领域取得更深入的进展，让我们在攻克遗传疾病的道路上迈出更坚实的步伐。
