【技术实现步骤摘要】
一种基于投影和对比学习的疾病
‑
微生物关联预测系统
[0001]本专利技术涉及疾病学
,特别涉及一种基于投影和对比学习的疾病
‑
微生物关联预测系统。
技术介绍
[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
,并不必然构成现有技术。
[0003]定植于人体的微生物对人类健康有着至关重要的影响,与疾病相关的微生物的发现将促进生物标志物和药物的发现。然而,疾病
‑
微生物相关性的临床实验耗时、费力且昂贵,并且很少有预测潜在微生物
‑
疾病相关性的方法。
[0004]传统的疾病
‑
微生物关联(Disease
‑
Microbe Association,DMA)的检测方法都是通过大量的临床试验进行观察。不仅成本高昂且耗时长,有时甚至不可能实现。目前,有关于疾病
‑
微生物关联预测有使用复杂的矩阵分解和利用矩阵相似度预测,也有一部分研究使用各种网络进行关联预测。
[0005]专利技术人发现,虽然这些方法取得很多成果,但是还存在一些问题:
[0006](1)鉴于传统检验的困难,目前许多疾病
‑
微生物数据库没有准确的化学和基因表达,只有关联矩阵,有些方法不能非常好的从疾病
‑
微生物关联矩阵提取出疾病和微生物的特征或者疾病和微生物相似度表示;
[0007](2)有的一些方法仅使用传统相似度或相似度组合来提取有效信息,引入一 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于投影和对比学习的疾病
‑
微生物关联预测系统,其特征在于:包括:数据获取模块,被配置为:获取疾病和微生物参量数据;无权投影模块,被配置为:将根据参量数据构建的二分网络进行无权投影,得到疾病
‑
疾病关联以及疾病
‑
微生物关联;特征提取模块,被配置为:根据疾病
‑
疾病关联以及疾病关联图对比学习得到疾病特征,根据疾病
‑
微生物关联以及微生物关联图对比学习得到微生物特征;关联预测模块,被配置为:根据疾病特征、微生物特征和预设全连接网络模型,得到疾病
‑
微生物关联预测结果。2.如权利要求1所述的基于投影和对比学习的疾病
‑
微生物关联预测系统,其特征在于:无权投影,包括:通过二分网络中邻居数目确定关联边权重大小,将边权重取符号激活,得到无权投影。3.如权利要求2所述的基于投影和对比学习的疾病
‑
微生物关联预测系统,其特征在于:计算二分网络中同时与第一疾病和第二疾病的关联,将结果通过符号函数激活,去除其中权重关系,只保留疾病之间关联信息。4.如权利要求1所述的基于投影和对比学习的疾病
‑
微生物关联预测系统,其特征在于:利用图卷积作为编码器进行无权投影后的二分网络的特征提取,图卷积通过不断聚合目标节点周边的邻居来完成特征学习。5.如权利要求4所述的基于投影和对比学习的疾病
‑
微生物关联预测系统,其特征在于:通过最大化局部互信息来训练编码器,使用平均值readout函数得到疾病
‑
疾病关联的图级别表示。6.如权利要求4所述的基于投影和对比学习的疾病
技术研发人员:王红,程恩浩,熊淑贤,宋曙光,滑美芳,杨雪,李维新,张子姗,郑子希,张双永,
申请(专利权)人:山东师范大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。