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方案

本发明专利技术提供了一种基于投影和对比学习的疾病

【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，引入一种网络训练提取相似度和特征将更有助于预测；
[0008](3)与疾病微生物未知关联相比，已知关联相对较少，即疾病
‑
微生物关联网络比较稀疏，这对DMA的预测具有极其不利的影响。

技术实现思路

[0009]为了解决现有技术的不足，本专利技术提供了一种基于投影和对比学习的疾病
‑ꢀ
微生物关联预测系统，基于投影和图互信息对比学习，实现了疾病
‑
微生物关联的更快速和更准确预测。
[0010]为了实现上述目的，本专利技术采用如下技术方案：
[0011]本专利技术第一方面提供了一种基于投影和对比学习的疾病
‑
微生物关联预测系统。
[0012]一种基于投影和对比学习的疾病
‑
微生物关联预测系统，包括：
[0013]数据获取模块，被配置为：获取疾病和微生物参量数据；
[0014]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；
[0015]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；
[0016]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。
[0017]本专利技术第二方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如下步骤：
[0018]获取疾病和微生物参量数据；
[0019]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；
[0020]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；
[0021]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。
[0022]本专利技术第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如下步骤：
[0023]获取疾病和微生物参量数据；
[0024]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；
[0025]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；
[0026]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。
[0027]与现有技术相比，本专利技术的有益效果是：
[0028]本专利技术所述的基于投影和对比学习的疾病
‑
微生物关联预测系统，基于投影和图互信息对比学习，实现了疾病
‑
微生物关联的更快速和更准确预测。
[0029]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
附图说明
[0030]图1为本专利技术实施例1提供的基于投影和对比学习的疾病
‑
微生物关联预测系统的工作流程示意图。
[0031]图2为本专利技术实施例1提供的疾病
‑
微生物关联信息示意图。
[0032]图3为本专利技术实施例1提供的ROC曲线和AUC值。
[0033]图4为本专利技术实施例1提供的二分网络的简单非加权投影示意图。
具体实施方式
[0034]下面结合附图与实施例对本专利技术作进一步说明。
[0035]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0036]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包
括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0037]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0038]实施例1：
[0039]如图1所示，本专利技术实施例1提供了一种基于投影和对比学习的疾病
‑
微生物关联预测系统，包括：
[0040]数据获取模块，被配置为：获取疾病和微生物参量数据；
[0041]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；
[0042]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；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
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

【专利技术属性】
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：