🧬 生物学

Optimization of Community-Consideration Centrality for Breast Cancer Comorbidity Using Various Community Detection Algorithms

本研究通过证明将社区考量中心度（CCC）方法与 Leiden 社群检测算法及 $\alpha$ 参数 0.9 相结合，能够最稳定且有效地识别关键共病疾病，从而优化了乳腺癌共病网络。

原作者： Gilbert Evan Tilung, Angga Aditya Permana

发布于 2026-10-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Gilbert Evan Tilung, Angga Aditya Permana

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

在复杂的人类健康领域，疾病很少孤立存在。被诊断出患有乳腺癌的患者通常还携带其他医疗状况，如高血压或糖尿病，这些状况可能会使治疗复杂化并影响生存率。科学家长期以来一直在研究这些被称为“共病”的联系，以了解不同疾病在同一个人体内是如何相互作用的。为了将这些关系可视化，研究人员经常将疾病映射为网络上的点，并通过连线来展示它们共同出现的频率。在这些网络中，一些疾病充当主要的枢纽，连接着许多其他疾病，而另一些则充当桥梁，连接不同的疾病组。传统上，科学家通过计算疾病的直接连接数或其到达网络中其他点的速度来衡量其重要性。然而，这种方法往往忽略了一个关键细节：疾病倾向于聚集成自然的群体，就像城市中的社区一样，同一组内的疾病比与其他组之间的联系具有更深层、更具体的联系。忽视这些“社区”会导致对哪些疾病真正处于患者健康旅程核心地位的理解出现偏差。

印度尼西亚多媒体大学的一个研究小组致力于改进识别这些重要疾病的方法。他们专注于与乳腺癌频繁伴随的特定疾病网络。他们没有将整个网络视为一个单一的、扁平的地图，而是应用了一种尊重数据中自然聚类的方法。他们将网络视为一个“社区”的集合，认识到即使某种疾病在整体网络中并不拥有最多的连接，它在其自身的局部组内也可能至关重要。为此，他们测试了四种不同的数学方法来寻找这些群体，并比较了每种方法如何组织疾病。随后，他们使用了一种新的计算重要性的方式，平衡了两个视角：该疾病在其直接所属社区中的角色，以及它在所有疾病构成的更广泛网络中的角色。通过调整计算中的一个特定参数，他们可以实现从关注“局部邻里”到“全球地图”的重心转移，从而测试哪种平衡能揭示最有意义的洞察。

研究人员首先使用了一个包含一千多种与乳腺癌相关的不同疾病的数据集。他们对数据进行了清洗，剔除了微弱的连接，以确保分析的都是强有力且有意义的关系。这一过程留下了一个由 323 种相互关联的疾病组成的核网络。随后，他们将该网络运行在四种不同的社区发现算法上：一种通过最大化内部连接来分组，另一种通过移除最重要的桥梁来拆分网络，第三种使用信息传递技术来估算组归属，第四种则依赖物理学原理来寻找稳定的能量状态。每种算法都生成了不同的疾病聚类图谱。其中一种被称为“鲁维恩算法”（Louvain algorithm）的方法实现了最高的模块度（modularity），表明它创造了最清晰的组间分离，并且在揭示共病网络自然结构方面最为有效。

拿着这些社区图谱，团队使用三种标准计算了每种疾病的重要性。首先，他们观察了一个疾病有多少直接链接，包括在其自身组内以及在整个网络中的链接。其次，他们测量了一个疾病触达网络中所有其他疾病的速度，本质上是在衡量其可及性。第三，他们识别了哪些疾病充当了桥梁，即位于其他状况之间的最短路径上，并促进了影响力的流动。他们多次重复这些计算，每次都调整局部重要性与全局重要性之间的平衡。当他们完全侧重于局部连接时，不同的疾病会脱颖而出；但随着他们增加对全局网络权重的分配，一组一致的状况便显现出来，成为最关键的条件。

结果指向了一组特定的疾病，无论使用哪种方法寻找社区，这些疾病始终排名最靠前。其中包括影响神经系统、胃肠道、心血管系统和心理健康的疾病。具体而言，研究人员发现，当平衡偏向整体网络结构时，与神经系统和消化系统相关的疾病出现在列表的最顶端。这表明这些状况不仅是乳腺癌常见的伴随症状，而且很可能是许多不同健康问题汇聚的关键点。研究还测试了一个特定的平衡参数设置，发现取值为 0.9 时能提供最稳定且可靠的结果。这个设置倾向于全局网络，同时仍尊重局部社区，使得该方法能够跨越不同的社区图谱一致地识别出相同的关键疾病。

通过将“社区结构”的概念整合到分析中，研究人员证明了更细致的疾病网络视角能带来更清晰的答案。他们表明，仅仅计数连接或测量距离是不够的；理解一种疾病在其自身簇群中所处的位置同样重要。这项研究并非声称已经解开了乳腺癌共病的谜团，而是提供了一个更强大的工具，用于识别哪些状况值得给予更多关注。研究结果表明，当医生和研究人员审视乳腺癌患者复杂的疾病网络时，应特别关注神经系统和消化系统，因为这些领域似乎对整个关联条件的网络具有最大的影响力。这种方法通过聚焦于那些真正维系整个网络的疾病，为优先开展研究和治疗策略提供了途径。

技术摘要：针对乳腺癌共病研究的社区考量中心度优化

问题陈述
乳腺癌是全球性的重大健康挑战，常伴随复杂的共病，如高血压、糖尿病和心血管疾病。虽然网络分析已成为绘制这些关系的工具，但传统的中心度度量（度中心度、紧密中心度、介数中心度）往往无法考虑到疾病网络的潜在社区结构。这些传统方法将网络视为单一的整体结构，可能会忽略那些在特定簇内至关重要但在全局范围内并不显著的疾病。此外，尽管此前已有研究提出通过社区考量中心度（Community-Consideration Centrality, CCC）方法来整合社区结构，但其应用仍局限于蛋白质-蛋白质相互作用（PPI）网络。该方法在乳腺癌共病网络中的有效性，以及在不同社区检测算法下平衡参数 ( $\alpha$ ) 的最优配置，目前仍有待探索。

研究方法
本研究采用结构化工作流，旨在优化用于乳腺癌共病网络的 CCC 方法：

数据获取与预处理： 研究利用了由映射到乳腺癌共病的疾病本体标识符（DOIDs）衍生的数据集。通过计算 Wang 相似性矩阵得出语义相似性。应用 0.5 的阈值以过滤弱关联，并移除自环。在初始的 1,066 个 DOIDs 中，剔除了 192 个孤立节点，剩余 814 种相互关联的疾病。
网络构建： 将数据转化为无向加权网络。为确保适用于基于最短路径的度量指标，仅保留“最大连通分量（Giant Component）”，最终得到一个包含 323 个节点和 1,078 条边的网络。
社区检测： 应用四种不同的算法对网络进行划分：Louvain、Girvan-Newman、Belief Propagation 和 Spinglass。构建共识相似性矩阵以评估这些算法之间的一致性，从而识别在所有方法中都被一致归为一组的疾病对。
社区考量中心度（CCC）计算： 研究计算了三种变体：社区考量度（CCDC）、紧密中心度（CCCC）和介数中心度（CCBC）。这些指标利用平衡参数 $\alpha$ $α$ （范围从 0 到 1）整合全局网络信息与局部社区信息。
- $\alpha = 0$ 强调局部社区结构。
- $\alpha = 1$ 强调全局网络结构。
- 中间值则平衡两者。
性能评估： 使用 Jackknife 方法评估性能。将各种算法和 $\alpha$ 值组合生成的疾病排名与已证实的乳腺癌共病这一“地面真值（ground truth）”进行比较。通过评估排名的稳定性和准确性，以确定最优配置。

关键结果

社区结构： Louvain 算法实现了最高的模块度，表明其具有最明显的社区结构（12 个社区），相比之下，Girvan-Newman 为 6 个，Belief Propagation 为 5 个，Spinglass 为 17 个。
核心疾病识别： 在所有算法和中心度度量中，特定的疾病始终位列高排名。最常被识别出的核心疾病包括：
- DOID.863（神经系统疾病）
- DOID.77（胃肠系统疾病）
- DOID.331（中枢神经系统疾病）
- DOID.1287（心血管系统疾病）
- DOID.150（精神健康疾病）
参数优化： $\alpha$ 的影响因算法和中心度度量而异。然而，Jackknife 评估表明， $\alpha = 0.9$ 通常在大多数组合中提供了最稳定的性能，有效地平衡了局部与全局信息。研究也确定了各算法的具体最优参数（例如，Louvain 在度中心度方面偏好 $\alpha=0.3$ ，而 Spinglass 在所有度量方面均偏好 $\alpha=0.0$ ）。
算法敏感性： Spinglass 算法在 $\alpha$ 增加时表现出最显著的排名偏移，实现了从局部社区主导向全局网络主导的转变。相比之下，Belief Propagation 算法产生的排名高度稳定，对 $\alpha$ 的变化敏感度较低。

意义与主张
本文认为，将社区检测与 CCC 方法相结合，是识别乳腺癌共病网络中重要疾病的一种有效方法。通过超越传统的中心度度量，本研究证明了考虑社区结构可以产生更具代表性的疾病排名，这些疾病在局部和全局层面都发挥着关键作用。

作者断言，这项工作填补了文献中的空白，其理由如下：

系统地比较了多种社区检测算法（Louvain、Girvan-Newman、Belief Propagation、Spinglass）在乳腺癌共病网络中的表现。
在疾病网络背景下评估了 $\alpha$ 参数的影响，这与以往的 PPI 网络研究有所区别。
提供了一个经过验证的框架，用于识别可能作为干预靶点或改善患者管理指标的核心共病。

研究结果表明，通过优化 Louvain 算法并结合接近 0.9 的 $\alpha$ 值，CCC 方法能够为揭示与乳腺癌相关的复杂疾病相互作用提供一种稳健的机制。

类似论文