基于卷积去噪自编码机的piRNA-疾病关联关系预测方法技术

本发明专利技术公开了一种基于卷积去噪自编码机的piRNA

【技术实现步骤摘要】
基于卷积去噪自编码机的piRNA
‑
疾病关联关系预测方法


[0001]本专利技术涉及涉及深度学习和生物信息学
，更具体地说，特别涉及一种基于卷积去噪自编码机的piRNA
‑
疾病关联关系预测方法。

技术介绍

[0002]近年来，Piwi蛋白质相互作用RNA被认为是细胞生物学的重要媒介，并成为小分子非编码RNA家族的最新成员。Piwi蛋白质相互作用RNA是一种包含21
‑
30个核苷酸的单链RNA，在不同的生物体中主要与Argonaute家族PIWI蛋白成员(Argonaute3、Piwi、Aubergine)相互作用，形成与表观遗传调控、精子发生、转座子沉默、mRNA调控和发育以及基因组重排相关的piRNA/PIWI复合物。该复合物可通过识别piRNA序列引起异染色质修饰和转座子沉默，已成为高度保守的小分子RNA引导基因调控机制的典范。
[0003]此外，Piwi蛋白质相互作用RNA是癌症基因组学的新兴参与者，参与多种人类疾病(包括癌症)相关的异常表达。传统的生物学实验技术对于识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卷积去噪自编码机的piRNA
‑
疾病关联关系预测方法，其特征在于，包括以下步骤：S1、获取已知的Piwi蛋白质相互作用RNA与疾病关联关系数据、Piwi蛋白质相互作用RNA的ID和序列信息，以及疾病语义信息；S2、基于Piwi蛋白质相互作用RNA的核苷酸序列信息，利用基于重叠移动窗口的序列衍生特征提取方法计算每种Piwi蛋白质相互作用RNA序列特征，利用欧式相似性测量方法计算Piwi蛋白质相互作用RNA序列之间的相似性特征；S3、利用有向无环图构建各种疾病之间的关系，定义两种不同的图中节点对目标疾病的语义贡献度，分别计算两种目标疾病的语义值，根据疾病之间有向无环图的共享部分计算两种疾病语义相似性特征；S4、利用Piwi蛋白质相互作用RNA
‑
疾病关联关系对分别计算Piwi蛋白质相互作用RNA和疾病的高斯相互作用谱核相似特征；S5、基于均值相似核融合方法分别融合Piwi蛋白质相互作用RNA与疾病的多种相似特征，构建卷积去噪自动编码神经网络架构，提取输入数据的更深层次的隐藏特征，同时将噪声数据添加到训练数据集中，得到无污染特征数据；S6、以Piwi蛋白质相互作用RNA与疾病关联关系数据作为正样本，基于剩余所有未确定的Piwi蛋白质相互作用RNA与疾病关联对，随机抽取与正样本相同关联对作为负样本，将整个训练数据集进行五次随机划分，每次划分成五个部分，其中四部分作为训练数据集，剩余一部分作为测试数据集；S7、基于极限学习机利用训练数据集构建分类模型，利用测试数据集对模型进行打分，重复进行五次实验，取五次实验的平均结果作为模型的性能评价指标。2.根据权利要求1所述的基于卷积去噪自编码机的piRNA
‑
疾病关联关系预测方法，其特征在于，所述步骤S2中利用基于重叠移动窗口的序列衍生特征提取3
‑
mer方法，计算表观遗传标记的每种Piwi蛋白质相互作用RNA序列的核苷酸序列信息集合上所有3
‑
聚体出现次数占整个序列长度的统计概率，生成特征向量作为其序列特征，利用欧几里得距离测度方法计算Piwi蛋白质相互作用RNA之间的序列相似性特征。3.根据权利要求1所述的基于卷积去噪自编码机的piRNA
‑
疾病关联关系预测方法，其特征在于，所述步骤S3中是基于MeSH数据库利用有向无环图构建各种疾病之间的关系，某种疾病D可以被表示为DAG(D)＝(D，T(D)，E(D))，其中T(D)为包含D及其祖先的节点集，E(D)为从父节点到子节点的边集，疾病D的第一种语义值可以表示为：其中，有向无环图中的疾病项目d对D的语义贡献通过以下公式定义：其中Δ是语义贡献衰减因子。4.根据权利要求3所述的基于卷积去噪自编码机的piRNA
‑
疾病关联关系预测方法，其
特征在于，如两种疾病d
i
和d
j
的有向无环图相似，则可以将疾病d
i
和d
j
视为相似的疾病，并定义第一种类型的疾病d
i
和d
j
之间的语义相似度DS1(d
i
，d
j
)为：以及第二种类型疾病语义相似度为：以及第二种类型疾病语义相似度为：以及第二种类型疾病语义相似度为：再将两种不同疾病d
i
和d
j
的语义相似性特征由均值相似核融合方法表示为：5.根据权利要求1所述的基于卷积去噪自编码机的piRNA
‑
...

【专利技术属性】
技术研发人员：彭绍亮，姬博亚，王小奇，习鹏，赵雄君，
申请(专利权)人：湖南大学，
类型：发明
国别省市：