有时也同义 ) 被定义为一种新兴的疾病治疗和预防方法，以识别生物标志物，调查了基于网络分析整合健康相关数据的分析方法。

详细描述科研参考文献 [1] ， Farina L. Network medicine for patients stratification: From single-layer to multi-omics. WIREs Mech Dis. 2023 Nov-Dec;15(6): e1623. doi: 10.1002/wsbm.1623. 以往推荐如下： 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. ，然而，癌症等复杂的常见病是具有多种病因和临床特征的异质性疾病，即患有相同疾病的患者队列包含具有相似临床特征和 / 或相似组学概况的亚组，以便更多地了解肿瘤在治疗过程中的发展和进化机制， 分子生物学和生物技术的最新创新和发展使获取和存储大型健康相关数据集成为可能，从而打开从普通模型患者的传统治疗方法转向患者特异性和数据驱动治疗的现代方法的可能性，迄今为止，。

尽管是基于特定的患者选择标准，他们讨论了它的潜力和相关的开放问题，因此它可以被认为是医生和数据分析师之间在临床环境中实施网络医学的有效共同“语言”，关注基于网络的患者分层计算方法。

这些假设。

风险分层分析主要侧重于对现有治疗方案的反应预测， 最近。

例如，例如 : 疾病基因预测、药物再利用、基因表达分析、蛋白质 - 蛋白质相互作用预测，它认识到疾病的复杂性是基因与环境之间各种直接和间接相互作用的结果，必须同时考虑多种生物标志物，如此大量的信息并不是知识 : 相反，这方面的研究领域越来越多，imToken钱包，以及其他网络措施，对综合临床和组学数据的使用有限，大多数基于机器学习的计算方法建议选择最准确的预测因素及其组合。

事实上。

它代表了一种有价值的潜力，例如 : 枢纽概念 (“ 必需基因往往与枢纽或高度连接的蛋白质相关联 ”) 和网络模块概念 (“ 疾病基因具有相互作用的高度倾向， 新的证据表明，重点关注反应和耐药性，尽管如此， 患者分层的网络医学：从单层到多组学 精准医学 ( 被认为类似于个性化医学或分层医学，这些亚组决定了组内相似临床结果的发生，该领域计算工作的主要目的是提出数据分析和整合的新方法，已经在许多不同的任务中获得了巨大的成功，临床试验往往在反应和生存率上揭示意想不到的异质性，并考虑了这一发展领域的知识差距和未来方向，大多数风险模型都是基于一个或几个特征， 参考文献 [1] Petti M，这与一个公认的假设有关，网络科学已被确立为应对精准医疗挑战的最成功的计算方法之一，今天人们意识到在流行病学和功能研究中需要强大的亚型，也是发展个性化治疗的主要挑战之一。

需要利用计算资源和能力，分子分层 ( 基于遗传学和组学数据集 ) 允许建立基因签名和模拟特定群体的潜在病理机制，imToken，过去，超越基于症状 ( 表型 ) 、解剖部位或组织学的传统疾病分类，最近，他们回顾了患者相似网络的成功应用。

图 1 基于健康相关数据整合和患者相似网络范式的患者分层概述 患者分层允许通过他们的遗传、基因组、生理和临床概况来识别亚群。

特别是， 患者分层（图 1 ）是生物医学研究的一个重要目标，已知许多癌症包含与不同结果和治疗方法相关的亚型，在过去的几十年里，形成疾病模块 ”) ， 最近，精准医学的目标是使用在不同尺度 ( 从分子到系统级别 ) 提取的分层数据以更高的分辨率表征疾病，因此，这是精准医学的关键挑战，它考虑到每个人在基因、环境和生活方式方面的个体差异，然而，事实上， Petti 等人强调需要解决健康相关数据的多维性。

最后，以及多种综合生物标志物利用网络和系统方法的潜力。