利用人类相互作用网络，采用联合学习功能和蛋白质周围的连通性模式的方法预测疾病基因关系。我们提出了 Random Watcher-Walker（$RW^2$）的扩展版本，成功地与已知最佳系统和其他最先进的基于图形的方法进行比较。与以前的研究相反，我们的研究结果表明，仅有连接性无法足以分类与疾病有关的基因。

Feb, 2019

通过研究 519 个疾病路径的蛋白质互作网络结构，发现除了高阶网络结构外，单个疾病相关的蛋白数不形成单一的连通组件，使目前先进的疾病路径发现方法对于非连通性疾病路径表现出较差的性能，因此高阶网络结构提供了新方法发展的有前途方向。

Dec, 2017

近年来，单细胞 RNA 测序领域的聚类方法得到了大量发展，然而大多数已有的聚类算法往往忽略基因之间的网络结构，并以属性信息为主要依据，本文提出了一种先进的单细胞聚类模型，通过双图对齐的方式整合了基因网络信息，优化聚类结果并保留了细胞与基因之间的关联，从而更准确地获得细胞亚群，并生成更接近真实生物场景的聚类结果，为早期疾病诊断和治疗奠定了基础。

Nov, 2023

本研究提出了一种新的方法，使用基因表达数据进行癌症分类问题的解决，首先运用信噪比算法筛选出非冗余基因的子集，然后运用多目标粒子群算法进行特征选择，并采用自适应 K 最近邻算法进行癌症分类，从而提高了癌症分类的准确性。

May, 2022

本文研究使用 VGAE 和 C-VGAE 作为无监督的方法，利用图神经网络进行疾病 - 基因关联网络的潜在嵌入表示，进而解决疾病 - 基因预测问题，结果表明 VGAE 和 C-VGAE 方法具有很好的性能

Jul, 2019

该研究针对蛋白质 - 蛋白质相互作用网络对齐问题，提出了基于图匹配算法的两种解决方案，分别基于序列相似性和相互作用保守性，两种新算法均优于现有算法，可检测到更多的已知保守性交互作用。

May, 2009

通过构建包含蛋白质关联和功能层次网络的双重关系图模型以及应用传统的 BirgRank 和自适应机制的 AptRank 两种扩散方法，本文为基于蛋白质网络数据的蛋白质功能预测提供了一种新的预测方法，其中引入 Gene Ontology 的层次结构可以显著提高预测准确性。

Jan, 2016

基于网络导向的随机森林算法在基因表达数据分析中对于疾病模块和通路识别表现出一定的性能。然而，在疾病预测方面，网络导向的随机森林并没有提供比标准随机森林更好的结果；然而，如果疾病基因形成模块且给定网络中的基因与疾病状态独立，则网络导向的随机森林能够更准确地识别它们，但会在使用网络信息时尤其在中心基因上产生虚假的基因选择结果；我们对 TCGA 的两个平衡的微阵列和 RNA-Seq 乳腺癌数据集进行了经验分析，用于对孕激素受体（PR）状态的分类，结果显示网络导向的随机森林能够识别与 PGR 相关的通路中的基因，从而得到更好的基因模块连接。

Aug, 2023

本文探讨了在供应有限的情况下通过疫苗优先策略来减轻疫情总负担的方法，利用 Trans-vaccine-SEIR 模型模拟疾病演化过程，结合图神经网络和深度强化学习找到最优疫苗分配策略，实验发现相较于基线策略，该框架可将感染和死亡降低 7%-10%，且能针对具有多样性的微观级疾病演化系统寻找最优解。研究结果对于疫苗供应有限和物流效率低下的区域提供了有价值的见解。

May, 2023

该研究分析了人类蛋白质 - 蛋白质相互作用网络的结构及可控性，并发现 21％的蛋白质是不可或缺的，这些蛋白质是导致疾病的突变，人类病毒和药物的主要靶点，因此控制网络的特性对于健康和疾病之间的转变至关重要。此外，该研究也发现 56 个基因是癌症的必要基因，其中 46 个在癌症中之前未被发现，这提示可控性分析在确定新的疾病基因和潜在药物靶点方面非常有用。

Nov, 2015