【技术实现步骤摘要】
基于增强的超图卷积自编码算法的miRNA
‑
疾病关联预测方法
[0001]本专利技术属于深度学习与生物信息结合领域，更具体地，涉及一种基于增强的超图卷积自编码算法的miRNA
‑
疾病关联预测方法。
技术介绍
[0002]miRNA是一类长度约为22个核苷酸的单链非编码RNA。大量研究表明，其在转录后可以调节基因发挥生物学功能，例如在细胞发育和免疫反应方面，它们的失调可导致细胞紊乱。近些年来，科学家研究发现miRNA的失调与各种人类的复杂疾病存在密切关系，例如肺癌，乳腺癌，肝癌等疾病。因此，识别出疾病所关联的miRNA对人们发现疾病生物标志物且在对人类复杂疾病的诊断上具有重大的意义。而在过去的研究中，实验者基本上通过个人的实验经验与生物靶向特征识别预测新的关联关系，其过程费时费力也与实验者的个人水平有极大的关联。所以迫切的希望有一种新的方法可以快速预测新的关联关系，而通过计算方法计算原有的关联，推断潜在的miRNA
‑
疾病之间的关联在一定程度上弥补了空缺，且在前人的研究中，...
【技术保护点】
【技术特征摘要】
1.一种基于增强的超图卷积自编码算法的miRNA
‑
疾病关联预测方法，其需要包括以下步骤：S1：获取miRNA
‑
疾病的邻接矩阵A，通过miRNA
‑
疾病邻接矩阵来描述二者的关联关系；S2：通过邻接矩阵A分别计算出miRNA高斯相似性MG、miRNA余弦相似性MC、疾病高斯相似性DG和疾病余弦相似性DC，将它们分别作为miRNA的特征和疾病的特征；S3：根据高斯相似性，使用加权K近邻获取图隐藏关联信息，以此得到增强的超图关联矩阵；S4：将miRNA的特征和疾病的特征通过全连接层映射到同一个域空间，使用超图卷积的方式训练得到嵌入特征；S5：对嵌入特征使用一个双线性解码器进行解码，计算其关联评分。2.根据权利要求1所述的miRNA
‑
疾病关联预测方法，其特征在于：所述步骤S1中的miRNA
‑
疾病的邻接矩阵A，其具体的生成方式为：从人类微小RNA疾病数据库中获取miRNA
‑
疾病关联数据集，其中人类微小RNA疾病数据库中包含了1206个miRNA和893个疾病，共35547个关联关系；删除掉非人类数据后保留了其中的913个miRNA和554个疾病，miRNA
‑
疾病邻接矩阵可以表示为其中n
m
和n
d
分别表示为miRNA的数量和疾病的数量；miRNA
‑
疾病邻接矩阵A定义如下：3.根据权利要求1所述的miRNA
‑
疾病关联预测方法，其特征在于：所述步骤S2中的高斯相似性的计算方法，可以计算出miRNA的高斯相似性MG，具体为：计算高斯交互特性核相似度的频宽：n
m
表示miRNA的数量；向量A(i,:)表示miRNA
‑
疾病邻接矩阵A的第i行，每行中1表示miRNA与疾病存在关联关系；计算每个miRNA之间的关联相似性：MG(i，j)＝exp(
‑
γ
i
||A(i，:)
‑
A(j，:)||2)MG(i,j)表示第i个miRNA和第j个miRNA之间的相似度；exp表示为基底为e的幂函数；向量A(i,:)表示miRNA
‑
疾病邻接矩阵A的第i行，向量A(j,:)表示miRNA
‑
疾病邻接矩阵A的第j行。4.根据权利要求3所述的miRNA
‑
疾病关联预测方法，其特征在于：计算疾病高斯相似性DG的计算方法与miRNA高斯相似性MG的计算方法相同，其中使用的矩阵为miRNA
‑
疾病邻接矩阵A的转置矩阵。5.根据权利要求1所述的miRNA
‑
疾病关联预测方法，其特征在于：采用所述步骤S2中的余弦相似性的计算方法计算出miRNA余弦相似性为MC，具体为：根据两个向量的余弦夹角，衡量两个向量的相似性，夹角越小，则越相似；对于miRNA
‑
miRNA的关联，其相似的计算为：MC(i,j)表示第i个miRNA和第j个miRNA之间的余弦相似度；向量A(i,:)表示miRNA
‑
疾病邻接矩阵A的第i行，向量A(j,:)表示miRNA
‑
疾病邻接矩阵A的第j行，符号
·
表示两个向量之间的内积。6.根据权利要求5所述的miRNA
‑
疾病关联预测方法，其特征在于：计算疾病余弦相似性DC的计算方法与miRNA余弦相似性MC的计算方法相同，其中使用的矩阵为miRNA
‑
疾病邻接矩阵A的转置矩阵。7.根据权利要求1所述的miRNA
‑
疾病关联预测方法，其特征在于：在所述步骤S3中使用加权K近邻获取图隐藏关联信息，以此得到增强的超图关联矩阵，其使用了miRNA高斯相...
【专利技术属性】
技术研发人员：谢国波，余俊锐，林志毅，顾国生，
申请(专利权)人：广东工业大学，
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。