BFWalk：采用入度归一化的无回溯网络传播

在网络医学中，蛋白质—蛋白质相互作用网络（即互作组）是识别与疾病及其他表型性状相关候选蛋白的重要资源。事实上，可利用“关联推断”范式对其加以应用；该范式认为，相互作用的蛋白质很可能参与相同的分子过程。结合互作组拓扑结构与疾病基因先验知识的网络传播，是识别促成疾病发生的新候选基因的一种有前景的策略。然而，现有的网络传播算法往往偏向连接度较高的蛋白质，即所谓的“枢纽”。我们提出了一种新的网络传播算法 BFWalk，旨在避免对枢纽节点产生虚高评分。我们在四种人类表型中对 BFWalk 进行了测试：精子鞭毛多种形态异常、色觉异常、肥厚型心肌病和慢性肾脏病。针对每种表型，我们评估了 BFWalk 能否找回已知的表型相关基因，以及新的候选基因是否在相关组织中富集。根据表型不同，BFWalk 的表现优于或不逊于当前最先进的网络传播方法。此外，结果证实，BFWalk 不会偏向高度节点。因此，BFWalk 是一种能够在多种表型中识别新基因的强大方法，也是现有网络传播算法的有力替代方案。可用性：BFWalk 以 Python 和 C 实现。代码依据 GNU GPL（v3.0）协议发布，网址为：https://github.com/jedrzejkubica/BFWalk

在网络医学中，蛋白质-蛋白质相互作用网络，即相互作用组，是识别导致疾病及其他表型性状的候选蛋白质的重要资源。事实上，可以通过“关联推断”范式加以利用，该范式认为，相互作用的蛋白质很可能参与相同的分子过程。结合相互作用组拓扑结构与有关疾病基因的先验知识，网络传播是识别促成疾病的新候选基因的一种有前景的策略。然而，现有的网络传播算法通常偏向于高度连接的蛋白质，即所谓的“枢纽”。

我们提出了 BFWalk，这是一种旨在避免对枢纽产生过高评分的新型网络传播算法。我们在四种人类表型中测试了 BFWalk：精子鞭毛多种形态异常、色觉异常、肥厚型心肌病和慢性肾脏病。对于每种表型，我们评估了 BFWalk 能否找回已知的表型相关基因，以及新的候选基因是否在相关组织中富集。根据表型的不同，BFWalk 的表现优于或媲美当前最先进的网络传播方法。此外，结果证实 BFWalk 不存在偏向高连接度节点的倾向。因此，BFWalk 是一种可用于在多种表型中识别新基因的强大方法，也是现有网络传播算法的有力替代方案。

可用性：BFWalk 使用 Python 和 C 实现。代码以 GNU GPL（v3.0）许可发布，网址为：https://github.com/jedrzejkubica/BFWalk

作者声明不存在利益冲突。

感谢您有兴趣传播 bioRxiv 的信息。

注意：请求您的电子邮件地址仅仅是为了将您识别为

本文的发送者。

关键词：网络传播 · 蛋白质互作组 · 疾病基因预测 · 入度归一化 · 枢纽偏倚

原文链接：https://www.biorxiv.org/content/10.64898/2026.09.22.753510v1?rss=1