mRNA和药物关联的预测方法、装置、终端设备及介质制造方法及图纸

本申请适用于生物信息技术领域，提供了一种mRNA和药物关联的预测方法、装置、终端设备及介质。其中，该方法在预先构建的关联二分图上，对mRNA和药物的向量表示进行邻居节点聚合，分别得到二者的初始特征向量；根据关联二分图，构建关联超图，得到mRNA和药物的超图特征向量表示；根据初始特征向量和超图特征向量表示，构建跨视图对比损失，得到综合损失；利用综合损失分别对mRNA和药物的初始特征向量进行更新，得到mRNA和药物的中间特征向量；若中间特征向量满足更新终止条件，则利用其构建关联性预测模型，预测mRNA与药物的关联性。本申请能够提高mRNA与药物关联性的预测的准确性。请能够提高mRNA与药物关联性的预测的准确性。请能够提高mRNA与药物关联性的预测的准确性。

【技术实现步骤摘要】
mRNA和药物关联的预测方法、装置、终端设备及介质


[0001]本申请属于生物信息学
，尤其涉及一种mRNA和药物关联的预测方法、装置、终端设备及介质。

技术介绍

[0002]近几年来，由于每个个体之间的异质性，药物敏感性在个体之间存在着显著差异，这样导致了大量的医疗资源的低效利用，造成了大量的资源浪费。并且由于药物敏感性的差异，会导致不同的患者需要使用不同的药物才能达到治疗的效果。研究表明，生物分子的改变，包括蛋白质编码信使RNA(mRNA)的表达、拷贝数变异、突变和甲基化对于临床药物治疗的敏感性有很大的影响。并且已经有研究揭示了KRAS(一种鼠类肉瘤病毒癌基因)点突变与结直肠癌对西妥昔单抗获得性耐药之间存在因果关系。因此，研究mRNA
‑
药物敏感性关联对于优化药物治疗、实现个体化疾病治疗、推进精准医疗具有重要意义。但是生物实验验证mRNA
‑
药物敏感性关联具有很大的盲目性，而且需要耗费大量的时间和精力。随着深度学习技术的发展，生物信息学吸引了越来越多的研究人员的关注，越来越多的计算方法被提出用于预测lncRNA
‑
疾病关联，微小核糖核酸(miRNA)
‑
疾病关联，环状核糖核酸(circRNA)
‑
疾病关联等，但是目前mRNA和药物关联性的预测方法很少见且准确性不高。

技术实现思路

[0003]本申请实施例提供了一种mRNA和药物关联的预测方法、装置、终端设备及介质，可以对提高mRNA和药物关联性的预测的准确性。
[0004]第一方面，本申请实施例提供了一种mRNA和药物关联的预测方法，包括：
[0005]步骤1，在预先构建的由待测mRNA和目标药物的关联二分图上运行信息聚合神经网络模型，分别对预先初始化的待测mRNA的向量表示和预先初始化的目标药物的向量表示进行邻居节点聚合，得到待测mRNA的初始特征向量和目标药物的初始特征向量；
[0006]步骤2，根据关联二分图，构建关联超图，得到待测mRNA的超图特征向量表示和目标药物的超图特征向量表示；
[0007]步骤3，分别针对待测mRNA和目标药物二者中的一者，根据该者的初始特征向量和超图特征向量表示，构建跨视图对比损失，得到待测mRNA的视图对比损失和目标药物的跨视图对比损失；
[0008]步骤4，根据待测mRNA的跨视图对比损失和目标药物的跨视图对比损失，构建综合损失；
[0009]步骤5，利用综合损失，分别对待测mRNA的初始特征向量和目标药物的初始特征向量进行反向传播更新，得到待测mRNA的中间特征向量和目标药物的中间特征向量；
[0010]步骤6，若待测mRNA的中间特征向量和目标药物的中间特征向量满足预设更新终止标准，则将待测mRNA的中间特征向量作为待测mRNA的最终特征向量，将目标药物的中间特征向量作为目标药物的最终特征向量；否则，
[0011]将待测mRNA的中间特征向量作为步骤1中的待测mRNA的向量表示、目标药物的中间特征向量作为步骤1中的目标药物的向量表示，返回执行步骤1；
[0012]步骤7，根据待测mRNA的最终特征向量和目标药物的最终特征向量，构建待测mRNA与目标药物的关联性预测模型；
[0013]步骤8，利用关联性预测模型预测待测mRNA与目标药物的关联性。
[0014]可选的，步骤1中的信息聚合神经网络模型为图卷积神经网络模型。
[0015]可选的，步骤1中的分别对预先初始化的待测mRNA的向量表示和预先初始化的目标药物的向量表示进行邻居节点聚合，得到待测mRNA的初始特征向量和目标药物的初始特征向量，包括：
[0016]通过计算公式
[0017][0018][0019][0020]得到待测mRNA的初始特征向量和目标药物的初始特征向量其中，表示第l层神经网络输出的第i个待测mRNA的初始特征向量，表示第l层神经网络输出的第j个目标药物的初始特征向量，i＝1,2,...,I，I表示步骤1中预先获取的mRNA的总数量，j＝1,2,...,J，J表示步骤1中预先获取的药物的总数量，表示关联二分图中待测mRNA的邻居节点聚合信息，的邻居节点聚合信息，的邻居节点聚合信息，表示关联二分图中目标药物的邻居节点聚合信息，w表示向量维度，R表示实数域，σ(
·
)表示非线性激活函数，表示归一化邻接矩阵，阵，D
(m)
表示待测mRNA的对角度矩阵，D
(m)
∈R
I
×
I
，d
(d)
表示目标药物的对角度矩阵，D
(d)
∈R
J
×
J
，N
i
表示关联二分图中待测mRNA的中心节点m
i
的邻近节点，N
j
表示关联二分图中目标药物的中心节点d
j
的邻近节点，表示图卷积神经网络模型第l
‑
1层输出的第i个待测mRNA的向量表示，表示图卷积神经网络模型第l
‑
1层输出的第j个目标药物的向量表示，表示第l层神经网络中第i个mRNA信息聚合之后的向量表示，表示第l层神经网络中第j个药物信息聚合之后的向量表示，A
i,j
表示第i个待测mRNA和第j个目标药物的邻接矩阵。
[0021]可选的，步骤2包括：
[0022]通过计算公式
[0023][0024][0025][0026]ψ(X)＝σ(VX)+X
[0027]得到待测mRNA的超图特征向量表示和目标药物的超图特征向量表示其中，表示待测mRNA在第l个超图信息聚合层下的超边特征向量表示，表示目标药物在第l个超图信息聚合层下的超边特征向量表示，W
(m)
表示待测mRNA的超边的特征矩阵，W
(m)
∈R
d
×
H
，W
(d)
表示目标药物的超边的特征矩阵，W
(d)
∈R
d
×
H
，Λ
(m)
表示待测mRNA的超图特征向量，Λ
(d)
表示目标药物的超图特征向量，Λ
(m)
由所述待测mRNA的向量表示E
(m)
和待测mRNA对应的超图结构矩阵H
(m)
聚合得到，Λ
(d)
由目标药物的向量表示E
(d)
和目标药物对应的超图结构矩阵H
(d)
聚合得到，Λ∈R
H
×
d
，E∈R
K
×
d
，H∈R
K
×
H
，K＝I或K＝J，c表示超图向量表示层的数量，ψ(
·
)表示超图信息聚合层的编码函数，X表示参数矩阵，X∈R
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种mRNA和药物关联的预测方法，其特征在于，包括：步骤1，在预先构建的由待测mRNA和目标药物构成的关联二分图上运行信息聚合神经网络模型，分别对预先初始化的待测mRNA的向量表示和预先初始化的目标药物的向量表示进行邻居节点聚合，得到所述待测mRNA的初始特征向量和所述目标药物的初始特征向量；步骤2，根据所述关联二分图，构建关联超图，得到所述待测mRNA的超图特征向量表示和所述目标药物的超图特征向量表示；步骤3，分别针对所述待测mRNA和所述目标药物二者中的一者，根据该者的初始特征向量和超图特征向量表示，构建跨视图对比损失，得到所述待测mRNA的视图对比损失和所述目标药物的跨视图对比损失；步骤4，根据所述待测mRNA的跨视图对比损失和所述目标药物的跨视图对比损失，构建综合损失；步骤5，利用所述综合损失，分别对所述待测mRNA的初始特征向量和所述目标药物的初始特征向量进行反向传播更新，得到所述待测mRNA的中间特征向量和所述目标药物的中间特征向量；步骤6，若所述待测mRNA的中间特征向量和所述目标药物的中间特征向量满足预设更新终止标准，则将所述待测mRNA的中间特征向量作为所述待测mRNA的最终特征向量，将所述目标药物的中间特征向量作为所述目标药物的最终特征向量；否则，将所述待测mRNA的中间特征向量作为步骤1中的所述待测mRNA的向量表示、所述目标药物的中间特征向量作为步骤1中的所述目标药物的向量表示，返回执行步骤1；步骤7，根据所述待测mRNA的最终特征向量和所述目标药物的最终特征向量，构建所述待测mRNA与所述目标药物的关联性预测模型；步骤8，利用所述关联性预测模型预测待测mRNA与目标药物的关联性。2.根据权利要求1所述的预测方法，其特征在于，所述步骤1中的信息聚合神经网络模型为图卷积神经网络模型；所述步骤1中的分别对预先初始化的待测mRNA的向量表示和预先初始化的目标药物的向量表示进行邻居节点聚合，得到所述待测mRNA的初始特征向量和所述目标药物的初始特征向量，包括：通过计算公式通过计算公式通过计算公式
得到所述待测mRNA的初始特征向量和所述目标药物的初始特征向量其中，表示第l层神经网络输出的第i个待测mRNA的初始特征向量，表示第l层神经网络输出的第j个目标药物的初始特征向量，i＝1,2,...,I，I表示所述步骤1中预先获取的mRNA的总数量，j＝1,2,...,J，J表示所述步骤1中预先获取的药物的总数量，表示所述关联二分图中待测mRNA的邻居节点聚合信息，分图中待测mRNA的邻居节点聚合信息，表示所述关联二分图中目标药物的邻居节点聚合信息，w表示向量维度，R表示实数域，σ(
·
)表示非线性激活函数，表示归一化邻接矩阵，D
(m)
表示所述待测mRNA的对角度矩阵，D
(m)
∈R
I
×
I
，D
(d)
表示所述目标药物的对角度矩阵，D
(d)
∈R
J
×
J
，N
i
表示所述关联二分图中所述待测mRNA的中心节点m
i
的邻近节点，N
j
表示所述关联二分图中所述目标药物的中心节点d
j
的邻近节点，表示所述图卷积神经网络模型第l
‑
1层输出的第i个待测mRNA的向量表示，表示所述图卷积神经网络模型第l
‑
1层输出的第j个目标药物的向量表示，表示第l层神经网络中第i个mRNA信息聚合之后的向量表示，表示第l层神经网络中第j个药物信息聚合之后的向量表示，A
i,j
表示第i个待测mRNA和第j个目标药物的邻接矩阵。3.根据权利要求2所述的预测方法，其特征在于，所述步骤2包括：通过计算公式通过计算公式通过计算公式ψ(X)＝σ(VX)+X得到所述待测mRNA的超图特征向量表示和所述目标药物的超图特征向量表示其中，表示所述待测mRNA在第l个超图信息聚合层下的超边特征向量表示，表示所述目标药物在第l个超图信息聚合层下的超边特征向量表示，W
(m)
表示所述待测mRNA的超边的特征矩阵，W
(m)
∈R
d
×
H
，W
(d)
表示所述目标药物的超边的特征矩阵，W
(d)
∈R
d
×
H...

【专利技术属性】
技术研发人员：邓磊，胡小文，
申请(专利权)人：中南大学，
类型：发明
国别省市：