一种circRNA和疾病关联预测方法技术

本公开实施例中提供了一种circRNA和疾病关联预测方法，属于生物信息学技术领域，具体包括：步骤1，计算初始特征表示；步骤2，得到circRNA和疾病节点的聚合特征表示，使用BPR方法获取图卷积网络的第一损失函数；步骤3，向聚合特征向量中添加随机噪声，并且构建对比学习范式，并构建第二损失函数；步骤4，获取初始预测模型的全局损失函数，并通过全局损失函数的反向传播更新初始预测模型的参数；步骤5，重复步骤2至4更新初始预测模型参数，直到模型拟合得到目标预测模型和其对应的circRNA和疾病节点的最终特征表示；步骤6，对最终特征表示进行内积操作，形成关联结果。通过本公开的方案，提高了预测效率和精准度。高了预测效率和精准度。高了预测效率和精准度。

【技术实现步骤摘要】
一种circRNA和疾病关联预测方法


[0001]本公开实施例涉及生物信息学
，尤其涉及一种circRNA和疾病关联预测方法。

技术介绍

[0002]虽然环状RNA(circRNA)的存在最早可以追溯到1971年，但在很长一段时间内它们并没有被认为是核糖核酸(RNA)表达分析中的重要因素。然而，自2013年以来，随着高分辨率和高通量的RNA测序数据的出现，特别是成对末端读取和深度测序技术的应用，识别和定量了许多新型circRNA。大多数circRNA通过不一致的映射读取进行识别，其中最后一个映射到转录本开头，因为RNA转录本的5
′
和3
′
末端形成了环状结构。相比线性RNA，circRNA在细胞中存在的时间更长，而且它们的表达水平保持稳定且具有组织特异性。最近的研究发现，circRNA与信使RNA(mRNA)和长非编码RNA(circRNA)竞争结合微小RNA(miRNA)在基因调控中起着重要作用。比如，circRNA
‑
miRNA
‑
mRNA形成竞争性内源性RNA(ceRNA)网络，似乎扮演着miRNA的海绵的角色。因此，circRNA与复杂疾病有关，发现它们之间的关系将在研究中发挥重要作用。
[0003]可见，亟需一种能大规模且高效精准预测的circRNA和疾病关联预测方法。

技术实现思路

[0004]有鉴于此，本公开实施例提供一种circRNA和疾病关联预测方法，至少部分解决现有技术中存在预测效率和精准度较差的问题。
[0005]本公开实施例提供了一种circRNA和疾病关联预测方法，包括：
[0006]步骤1，分别计算circRNA
‑
circRNA序列相似性和疾病
‑
疾病的语义相似性作为circRNA和疾病节点的初始特征表示；
[0007]步骤2，基于circRNA
‑
疾病关联对构建circRNA
‑
疾病关联二分图，并运行图卷积网络方法进行邻居节点信息聚合操作，得到circRNA和疾病节点的聚合特征表示，使用BPR方法获取图卷积网络的第一损失函数；
[0008]步骤3，向聚合特征向量中添加随机噪声，并且构建对比学习范式，并构建第二损失函数；
[0009]步骤4，对第一损失函数和第二损失函数进行联合学习，获取初始预测模型的全局损失函数，并通过全局损失函数的反向传播更新初始预测模型的参数，同时更新circRNA和疾病节点的特征表示；
[0010]步骤5，重复步骤2至4更新初始预测模型参数，直到模型拟合得到目标预测模型和其对应的circRNA和疾病节点的最终特征表示；
[0011]步骤6，对最终特征表示进行内积操作，获得circRNA
‑
疾病得分矩阵，形成关联结果。
[0012]根据本公开实施例的一种具体实现方式，所述circRNA
‑
circRNA序列相似性的表
达式为
[0013]CG(c(i),c(j))＝exp(
‑
θ
c
||V(c(i))
‑
V(c(j))||2)
[0014]其中，n是circRNA的数量，i和j为circRNA的序号，V表示circRNA
‑
疾病关联矩阵；
[0015]所述疾病
‑
疾病的语义相似性的表达式为
[0016]DD＝0.5
·
DD1+0.5
·
DD2[0017]其中，DD1为疾病i和j之间的第一相似性指标，DD2为疾病i和j之间的第二相似性指标。
[0018]根据本公开实施例的一种具体实现方式，所述步骤2具体包括：
[0019]基于circRNA
‑
疾病关联对构建circRNA
‑
疾病关联二分图，随机初始化circRNA和疾病节点的向量表示，并使用图卷积网络方法聚合circRNA和疾病节点对应的邻居节点的信息；
[0020]将每一个图卷积层获取到的circRNA和疾病节点的向量表示通过加权和方法聚合得到circRNA和疾病节点的聚合特征表示；
[0021]使用BPR方法获取图卷积网络的第一损失函数。
[0022]根据本公开实施例的一种具体实现方式，所述聚合circRNA和疾病节点对应的邻居节点的信息的表达式为
[0023][0024]其中，N
c
表示circRNA c的邻居节点，(N
d
)表示疾病d的邻居节点，表示circRNA在图卷积网络第l层的嵌入，表示疾病在图卷积网络第l层的嵌入；
[0025]所述第一损失函数的表达式为
[0026][0027]其中，σ是非线性激活函数，表示成对训练数据表示观察到的circRNA c与疾病d
+
之间存在相互关联，表示采样疾病d
‑
与circRNA c没有实验验证的相互关联。
[0028]根据本公开实施例的一种具体实现方式，所述对比学习范式的表达式为
[0029][0030]其中，噪音向量
△
'
i
和
△”
i
独立同分布，符合条件分布||Δ||2＝ε，其中Δ＝
ε表示超球体半径；
[0031]所述第二损失函数的表达式为
[0032][0033]其中，i和j是从训练的batch中采样得到的circRNA和疾病，e”i
and e”j
分别是添加了随机的噪音之后的circRNA i和疾病j的特征向量，τ表示温度参数。
[0034]根据本公开实施例的一种具体实现方式，所述全局损失函数的表达式为
[0035][0036]其中，λ是超参数。
[0037]根据本公开实施例的一种具体实现方式，所述circRNA
‑
疾病得分矩阵的表达式为
[0038][0039]其中为circRNA c和疾病d的关联分数，T表示向量转置操作。
[0040]本公开实施例中的circRNA和疾病关联预测方案，包括：步骤1，分别计算circRNA
‑
circRNA序列相似性和疾病
‑
疾病的语义相似性作为circRNA和疾病节点的初始特征表示；步骤2，基于circRNA
‑
疾病关联对构建circRNA
‑
疾病关联二分图，并运行图卷积网络方法进行邻居节点信息聚合操作，得到circRNA和疾病节点的聚合特征表示，使用BPR方法获取图卷积网络的第一损失函数；步骤3，向聚合特征向量中添加随机噪声，并且构建对比学习范式，并构建第二损失函数；步骤4，对第一损失函数和第二损失函数进行联合学习，获取初始预测模型的全局损失函数，并通过全局损失函数的反向传播更新初始预测模型的参数，同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种circRNA和疾病关联预测方法，其特征在于，包括：步骤1，分别计算circRNA
‑
circRNA序列相似性和疾病
‑
疾病的语义相似性作为circRNA和疾病节点的初始特征表示；步骤2，基于circRNA
‑
疾病关联对构建circRNA
‑
疾病关联二分图，并运行图卷积网络方法进行邻居节点信息聚合操作，得到circRNA和疾病节点的聚合特征表示，使用BPR方法获取图卷积网络的第一损失函数；步骤3，向聚合特征向量中添加随机噪声，并且构建对比学习范式，并构建第二损失函数；步骤4，对第一损失函数和第二损失函数进行联合学习，获取初始预测模型的全局损失函数，并通过全局损失函数的反向传播更新初始预测模型的参数，同时更新circRNA和疾病节点的特征表示；步骤5，重复步骤2至4更新初始预测模型参数，直到模型拟合得到目标预测模型和其对应的circRNA和疾病节点的最终特征表示；步骤6，对最终特征表示进行内积操作，获得circRNA
‑
疾病得分矩阵，形成关联结果。2.根据权利要求1所述的方法，其特征在于,所述circRNA
‑
circRNA序列相似性的表达式为CG(c(i),c(j))＝exp(
‑
θ
c
||V(c(i))
‑
V(c(j))||2)其中，n是circRNA的数量，i和j为circRNA的序号，V表示circRNA
‑
疾病关联矩阵；所述疾病
‑
疾病的语义相似性的表达式为DD＝0.5
·
DD1+0.5
·
DD2其中，DD1为疾病i和j之间的第一相似性指标，DD2为疾病i和j之间的第二相似性指标。3.根据权利要求2所述的方法，其特征在于,所述步骤2具体包括：基于circ...

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