脑疾病基因鉴定对于揭示脑疾病的生物学机制和开发脑疾病药物至关重要。为了增强脑部疾病基因的识别，已经采用基于相似性的计算方法，特别是基于网络的方法来缩小搜索空间。然而，这些基于网络的方法仅使用分子网络，忽略了已广泛应用于许多大脑相关研究中的脑连接组数据。我们提出了一个名为 BrainMI 的新颖框架，用于整合脑连接组数据和基于分子的基因关联网络来预测脑部疾病基因。为了实现基于分子的网络数据和脑连接组数据的一致表示，brainMI首先基于静息态功能磁共振成像数据和脑区域特定数据构建了一个新颖的基因网络，称为基于脑功能连接（BFC）的基因网络。基因表达数据。然后，提出了一种多网络集成方法，通过集成基于 BFC 的基因网络和现有的蛋白质-蛋白质相互作用网络来学习基因的低维特征。最后，这些特征用于基于支持向量机模型来预测脑部疾病基因。作为共同作者完成基于影像学的连接组网络构建。