日前，Cell子刊Star Protocols发表了我校计算生物学研究团队题为“FunGraph: A statistical protocol to reconstruct omnigenic multilayer interactome networks for complex traits”的统计算法论文。

　　
　　几乎所有生物性状，例如林木生长、癌症发病、covid-19感染风险、药物反应等，都是复杂性状，是受多基因联合控制的。传统分析方法是寻找其中的主效基因，后来有方法能发现基因之间的互作效应。但是，所有这些方法仅能分别解析局部基因组对复杂性状的影响，难以从全局的角度勾画出基因调控路线图。最简单的例子，是假设有三个基因A、B、C影响复杂性状。我们可以分析三个基因的独立影响，也可以分析A与B、A与C、B与C之间的互作影响，但是，从全局角度分析A-B-C的石头-剪刀-布（rock-paper-scissors）互作模式，是一个更重要的、更有意义的课题；与此同时，也是一个难以完成的任务，特别是当基因的数量达到成千上万这个数量级时。
　　
　　这一难题最近被生物学院计算生物学研究团队破解。研究人员根据复杂性状是由生物体携带的一整套基因所控制的这一假设，引进Maynard Smith的进化稳定策略（evolutionarily stable strategy, ESS）和群落生态学思想, 建立高维微分方程组，再借助图论（graph theory）, 将所有基因合并到一个网络图中，并对该网络中所有可能的基因-基因互作进行数学编码。进一步引进发育模块理论（developmental modularity theory）, 将需要构建的网络分解成界限分明的网络群落（network community）, 最终构建成多层次（multilayer）、多刻度（multiscale）、多空间（multispace）、多功能（multifunctional）的4M网络。
　　
　　因为这样的网络模型理论，能将任何数据，不管是静态的，还是动态的； 不管是低维的，还是高维的，转换成个体化的全息网络图，研究人员将之称为功能图论（functional graph theory, FunGraph）。

　　
　　FunGraph发表后，马上引起学术界高度关注，多家国内外科学媒体对此进行了广泛报道。Cell出版社旗下的Star Protocols邀请计算生物学研究团队详解FunGraph算法与分析流程，便于世界范围内更广大的研究人员使用它。

　　　　
　　FunGraph描述了一系列复杂性状遗传解析的计算步骤，包括对跨时间和空间测量的动态性状曲线拟合；FunMap 检测显着 QTL 并估计每个 SNP 的遗传效应曲线；利用功能聚类方法将所有SNP 据其遗传效应模式，分解成不同模块；实施变量选择以选择与给定 SNP 相关联的一组最重要的 SNP；构建和求解非线性捕食者-捕食者常微分方程 (nLV ODE) 系统；重建基于 ODE 参数的遗传调控网络。研究人员通过采用胡杨 GWAS 实验的结果来展示每个步骤。 可以预见，FunGraph将成为揭示复杂性状遗传结构的一个重要的、独特的、有效的分析工具。
　　
　　生物科学与技术学院计算生物学学科博士生董昂为论文的第一作者，邬荣领教授是论文的通讯作者。该学科其他学生冯莉、杨登程、吴双、赵金帅、王静参与了部分工作。
　　
　　论文链接：https://www.sciencedirect.com/science/article/pii/S2666166721006912