Abstract The mechanism of Alzheimer’s disease (AD) remains elusive, partly due to the incomplete identification of risk genes. We developed an approach to predict AD-associated genes by learning the functional pattern of curated AD-associated genes from brain gene networks. We created a pipeline to evaluate disease-gene association by interrogating heterogeneous biological networks at different molecular levels. Our analysis showed that top-ranked genes were functionally related to AD. We identified gene modules associated with AD pathways, and found that top-ranked genes were correlated with both neuropathological and clinical phenotypes of AD on independent datasets. We also identified potential causal variants for genes such as FYN and PRKAR1A by integrating brain eQTL and ATAC-seq data. Lastly, we created the ALZLINK web interface, enabling users to exploit the functional relevance of predicted genes to AD. The predictions and pipeline could become a valuable resource to advance the identification of therapeutic targets for AD.

Identifying cancer genes remains a significant challenge in cancer genomics research. Annotated gene sets encode functional associations among multiple genes, and cancer genes have been shown to cluster in hallmark signaling pathways and biological processes. The knowledge of annotated gene sets is critical for discovering cancer genes but remains to be fully exploited. Here, we present the DIsease-Specific Hypergraph neural network (DISHyper), a hypergraph-based computational method that integrates the knowledge from multiple types of annotated gene sets to predict cancer genes. First, our benchmark results demonstrate that DISHyper outperforms the existing state-of-the-art methods and highlight the advantages of employing hypergraphs for representing annotated gene sets. Second, we validate the accuracy of DISHyper-predicted cancer genes using functional validation results and multiple independent functional genomics data. Third, our model predicts 44 novel cancer genes, and subsequent analysis shows their significant associations with multiple types of cancers. Overall, our study provides a new perspective for discovering cancer genes and reveals previously undiscovered cancer genes.