一种基于生成对抗网络的miRNA-疾病相互作用预测方法技术

本发明专利技术提供了一种基于生成对抗网络的miRNA

【技术实现步骤摘要】
一种基于生成对抗网络的miRNA
‑
疾病相互作用预测方法


[0001]本专利技术涉及miRNA
‑
疾病相互作用预测
，具体涉及一种基于生成对抗网络的miRNA
‑
疾病相互作用预测方法。

技术介绍

[0002]大量生物学研究表明，miRNA通过下调靶基因在许多生理和病理过程中发挥调节作用参与一系列重要的生命过程以及对生物和非生物胁迫的反应。超过三分之一的基因受miRNA调控，通过传统生物实验测定疾病相关miRNA面临许多瓶颈，例如周期长、设备要求高和成本高，因此有必要开发一些更有效的方法。因此，开发设计出一种有效的计算方法来预测miRNA与疾病之间的相关性，能够为生物实验提供符合实际的miRNA
‑
疾病相互作用信息，提高生物实验的效率。目前基于计算模型miRNA
‑
疾病相互作用预测方法面临着已知miRN
‑
疾病相互作用数据缺乏的挑战，且它们难以集成差异化的多种数据源等问题。基于生成对抗网络(GAN)的半监督学习能力，本专利技术提出一种基于生成对抗网络的miRNA
‑
疾病相互作用预测方法。

技术实现思路

[0003]本专利技术的目的是为了解决上述miRNA
‑
疾病相互作用预测领域所存在的困难，提供一种基于生成对抗网络的miRNA
‑
疾病相互作用预测方法，整合miRNA和疾病的多源数据，帮助科研工作者进行正确的预测。本专利技术的技术方案如下：
[0004]A、基于疾病语义相似性与高斯相互作用核相似性构建两个疾病相似性网络，基于miRNA的序列相似性、功能相似性、语义相似性和高斯相互作用内核相似性构建四个miRNA相似性网络。
[0005]B、基于非线性融合方法，将不同的相似性网络分别集成到miRNA和疾病的综合相似性网络中。
[0006]C、基于miRNA的综合相似性、疾病的综合相似性、已知的miRNA
‑
疾病相互作用构建最终的miRNA
‑
疾病网络，基于miRNA
–
疾病网络定义目标矩阵，构建生成对抗网络的输入数据。
[0007]D、基于生成对抗网络补全模型目标矩阵。
[0008]E、基于动量随机梯度下降优化算法反向传播训练模型参数。
[0009]根据权利A所述的基于疾病语义相似性与高斯相互作用核相似性构建两个疾病相似性网络，基于miRNA的序列相似性、功能相似性、语义相似性和高斯相互作用内核相似性构建四个miRNA相似性网络。本专利技术使用从MeSH数据库下载的疾病语义描述，构建向无环图以计算疾病语义相似度。在HMDD数据库中下载已知的miRNA
‑
疾病相互作用数据计算miRNA和疾病的高斯核相似度，基于数据库miRBase的miRNA序列信息，使用序列对比算法来计算MiRNA序列相似性。
[0010]根据权利B所述的基于非线性融合方法，将不同的相似性网络分别集成到miRNA和
疾病的综合相似性网络中。使用非线性融合方法对每种类型的相似网络进行更好的归一化。确保在整个非线性融合的迭代过程中，对角线条目上的自相似性，保证最终得到的综合相似性网络是满秩。
[0011]根据权利C所述的基于miRNA的综合相似性、疾病的综合相似性、已知的miRNA
–
疾病相互作用构建最终的miRNA
–
疾病网络，基于miRNA
–
疾病网络定义目标矩阵，构建生成对抗网络的输入数据。将miRNA疾病相互作用矩阵，miRNA综合相似性矩阵，miRNA疾病相互作用矩阵的转置以及疾病综合相似性矩阵进行拼接得到最终的miRNA
–
疾病网络定义目标矩阵。
[0012]根据权利D所述的基于生成对抗网络补全模型目标矩阵。本专利技术设计了一种生成对抗矩阵补全方法，包含生成器和判别器两部分。利用生成器补全矩阵中的缺失数据，判别器中指导生成器不断学习纯化。对鉴别器进行训练以使信息损失最小化，对生成器进行训练以最大化判别器的错误分类率。在这个过程中，这两个网络使用对抗性过程进行训练。
[0013]根据权利E所述的基于动量随机梯度下降优化算法反向传播训练模型参数。本专利技术使用小批量梯度下降法，每次迭代通过从数据集抽取小批量的数据进行训练。使用带有动量的小批量随机梯度下降法对算法进行优化，解决使用小批量的数据会产生下降过程中左右振荡现象的问题，加快收敛速度并减少梯度下降时上下震荡的情况。
附图说明
[0014]图1是基于生成对抗网络的miRNA
‑
疾病相互作用预测过程；
具体实施方式
[0015]为使本专利技术的目的、技术方案与优点更加清楚，下面结合附图对本专利技术的特征检测方法作进一步详细的说明。
[0016]数据预处理阶段，整合来源于HMDD数据库和MESH数据库miRNA和疾病的多源数据，构建两个疾病相似性网络以及四个miRNA相似性网络。
[0017]使用非线性融合方法，将这些不同的相似性网络分别集成到miRNA和疾病的综合相似性网络中。
[0018]基于miRNA和疾病的综合相似性分别构建miRNA和疾病的相似性网络，再利用已知的miRNA
‑
疾病关联来连接这两个相似网络，来构建最终的miRNA
‑
疾病网络，并定义一个目标矩阵来表示它。
[0019]将目标矩阵输入到构建的生成对抗网络，补全矩阵以获得最后的关联得分。使用用动量随机梯度下降算法优化模型，不断提升miRNA
‑
疾病相互作用预测的准确率。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的miRNA
‑
疾病关联预测方法，包括以下部分：A、基于疾病语义相似性与高斯相互作用核相似性构建两个疾病相似性网络，基于miRNA的序列相似性、功能相似性、语义相似性和高斯相互作用内核相似性构建四个miRNA相似性网络。B、基于非线性融合方法，将不同的相似性网络分别集成到miRNA和疾病的综合相似性网络中。C、基于miRNA的综合相似性、疾病的综合相似性、已知的miRNA
‑
疾病关联构建最终的miRNA
‑
疾病网络，基于miRNA
‑
疾病网络定义目标矩阵，构建生成对抗网络的输入数据。D、基于生成对抗网络补全模型目标矩阵。E、基于动量随机梯度下降优化算法反向传播训练模型参数。2.根据权利要求1所述的基于疾病语义相似性与高斯相互作用核相似性构建两个疾病相似性网络，基于miRNA的序列相似性、功能相似性、语义相似性和高斯相互作用内核相似性构建四个miRNA相似性网络。本发明使用从MeSH数据库下载的疾病语义描述，构建向无环图以计算疾病语义相似度。在HMDD数据库中下载已知的miRNA
‑
疾病关联数据计算miRNA和疾病的高斯核相似度，基于数据库miRBase的miRNA序列信息，使用序列对比算法来计算MiRNA序列相似性。3.根据权利要求1所述的基于非线性融合方法，将不同的相似性网络分别集成到miR...

【专利技术属性】
技术研发人员：王淑栋，李韵音，王璐璐，吴文浩，张玉，任传儒，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：