最近，望石团队在《Life Science Allian》上发表了题为《Patient-specific analysis of co-expression to measure biological network rewiring in individuals》的学术成果。

差异共表达（Differential Co-expression，以下简称DCE）网络分析方法被认为是利用算法处理基因数据，进而分析潜在疾病机制或制定个性化治疗方案的有用方法之一。常见的DCE网络分析方法通常基于多个样本的平均差异网络，忽视了个体患者之间的特异性数据。这种方法的局限性阻碍了对个体的深入理解和应用。

望石团队提出了一种新的模型Cosinet——一种DCE网络框架下的，单样本网络重连度量化工具（a DCE-based single-sample network rewiring degree quantification tool）。该方法能够利用基因表达数据确定单个样本的基因共表达模式和参考条件的相似程度，结合网络分析和统计方法，量化单个基因DCE的差异，从而解决了DCE网络分析在个体水平上的应用问题。

图1：Cosinet方法的流程

通过两个乳腺癌数据集进行验证，Cosinet能够识别个体患者之间基因共表达模式的重要差异，且其评分结果与患者的生存率、无复发时间等临床结果显著相关，充分证实了该工具的有效性。同时，Cosinet在量化基因共表达模式的差异程度时，考虑了年龄、肿瘤大小、HER2表达情况和PAM50亚型等风险因素的影响，提供了更全面的分析结果。

图2：Cosinet评分与临床结果之间的关联

通过解读特定疾病相关的基因、通路以及调控网络的重连情况，构建调控网络图，Cosinet可以用于疾病机制的研究，进行潜在靶点的发现和药物开发工作。同时，通过对患者基因共表达的个性化分析，也可以作为临床的决策辅助工具，调整相关治疗方案。

目前，望石团队在对Cosinet模型进行进一步的优化，希望能与业界共同推动医药研发和精准医学的发展。