【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: ...
【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:
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。