基于关系型图卷积神经网络快速预测基因调控网络制造技术

本发明专利技术提供基于关系型图卷积神经网络快速预测基因调控网络，包括如下步骤：步骤A：初始图构建,DeepGenei n根据scRNA‑seq数据和已知的调控关系网络构建初始GRN骨架；步骤B：使用R‑GCN编码器学习TF和Target节点嵌入,根据初始GRN骨架随机负采样生成对应的负样本，分别构造正关系二分图和负关系二分图，采用R‑GCN来学习初始GRN的拓扑信息和特征信息，生成TF和Target节点嵌入；步骤C：应用双线性解码器重构图，本发明专利技术采用能够很好的聚合拓扑结构信息和节点特征信息的关系型图卷积神经网络来解决，R‑GCN处理非结构化数据时具有出色的能力，对于没有可靠负样本的情况，采用两个矩阵来分别保存真实的交互关系和负采样不存在的交互关系，通过采用这种方式能够很好地提高样本的可信度。

【技术实现步骤摘要】

本专利技术涉及预测基因调控网络，尤其涉及基于关系型图卷积神经网络快速预测基因调控网络。

技术介绍

1、基因调控网络(grn)是指细胞或基因组内由基因和转录因子(tf)等调控元件相互作用所形成的复杂网络结构，其中grn的节点代表基因或调控元件，边代表它们之间的相互作用或调控关系。在不同的时空条件下，一类tfs可以调节多个基因，而单个基因也可以被多个tfs调节，形成一个复杂而动态的调控网络。在生物体内，grn决定并维持细胞类型特异性的转录状态，也是构建细胞形态和功能的基础。grn的重建对于深入理解生物体从基因型到表型起着至关重要的作用，构建grn已成为生物信息学和生物医学的重要研究课题。目前随着单细胞测序技术大规模并行检测手段的应用，scrna-seq数据急剧增加，使研究者能够以前所未有的分辨率研究基因表达图谱，这为以细粒度分辨率重建grn提供了机会。

2、近年来，研究界已提出了一些从scrna-seq数据中推理grn的机器学习方法，大体上可分为基于无监督方法和有监督方法。基于无监督方主要包括:(1)scode，应用常微分方程重建grn，将伪时间视本文档来自技高网...

【技术保护点】

1.基于关系型图卷积神经网络快速预测基因调控网络，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于关系型图卷积神经网络快速预测基因调控网络，其特征在于：所述步骤A中将已知的调控关系划分为训练集、验证集和测试集，将已知调控关系的20％单独做为测试集，剩余的数据集中80％做为训练集，20％做为验证集，使用训练集构造GRN骨架，测试集在整个训练过程中被视为未知，通过测试集检验模型的预测是否准确。

3.根据权利要求1所述的基于关系型图卷积神经网络快速预测基因调控网络，其特征在于：所述步骤B中使用R-GCN来学习节点嵌入，有相互作用记录为二值矩阵A+＝{a+(i，j...

【技术特征摘要】

1.基于关系型图卷积神经网络快速预测基因调控网络，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于关系型图卷积神经网络快速预测基因调控网络，其特征在于：所述步骤a中将已知的调控关系划分为训练集、验证集和测试集，将已知调控关系的20％单独做为测试集，剩余的数据集中80％做为训练集，20％做为验证集，使用训练集构造grn骨架，测试集在整个训练过程中被视为未知，通过测试集检验模型的预测是否准确。

3.根据权利要求1所述的基于关系型图卷积神经网络快速预测基因调控网络，其特征在于：所述步骤b中使用r-gcn来学习节点嵌入，有相互作用记录为二值矩阵a+＝{a+(i，j)}n×m，随机负采样选定的无相互作用记录为二值矩阵a-＝{a-(i，j)}n×...

【专利技术属性】
技术研发人员：柴子义，赵德锋，周志超，刘全中，柴子涵，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：