【技术实现步骤摘要】
本专利技术涉及生物信息学和计算生物学，具体为一种多视图的circrna与mirna关系预测方法及系统。
技术介绍
1、在生物学和生物信息学的研究中，环状rna(circrna)和微小rna(mirna)是两类核心的非编码rna分子。它们在生命过程中起着重要的作用，并在基因表达调控、生物分子交互、疾病发生以及治疗等方面展示出了极大的潜力。特别是在这两者相互作用关系的研究中，对理解生物体内的复杂网络及其在疾病中的作用都具有重要意义。
2、circrna是一类特殊的非编码rna，其结构以环形为特征，不同于传统的线性rna分子。这种独特的环状结构使得它们在细胞中的稳定性远高于线性rna，从而在许多生物过程中发挥重要作用。研究人员已经发现，circrna在基因表达的调控、细胞生命周期、免疫反应等多种生物过程中起到关键作用。近年来的研究还进一步揭示了circrna在诸多疾病中，包括各类癌症、神经退行性疾病和心脏病等，在疾病的发生、发展和治疗中的重要性。mirna是一类长度约为22个核苷酸的小rna分子，它们通过与mrna的3'非翻译区域互补配对，导致mrna的降解或翻译抑制，从而调控基因的表达。自从1993年在线虫中首次发现mirna以来，人们已经发现了数千种mirna，并逐渐揭示出它们在生物过程中的作用，包括细胞增殖、分化、凋亡和免疫反应等。另外，mirna也在许多疾病中，如各种癌症、心脏病和神经退行性疾病等，发挥着重要作用。
3、在这两类rna分子中，circrna和mirna之间的相互作用关系很重要。其中，最重
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：目前的预测方法主要是基于生物信息学和机器学习的方法，但这些方法常常忽略了生物网络的结构信息，可能会导致预测的准确性不足。
3、为解决上述技术问题，本专利技术提供如下技术方案：一种多视图的circrna与mirna关系预测方法，包括：
4、采集云服务端的平台参数；
5、将所述平台参数通过粒子群算法得到初步优解；
6、将所述初步优解作为遗传算法的初始种群进行计算，通过适应度函数实现种群优化并判断是否达到停止条件，从而得到最优结果，实现负载平衡。
7、从数据库中收集circrna和mirna数据；
8、构建正负样本数据集，从序列和网络层面构建表征特征；
9、将特征数据融合为二维数据结构，得到序列特征和图嵌入特征的矩阵；
10、基于特征转化矩阵，构建四通道的卷积神经网络，分析预测circrna和mirna的关系。
11、作为本专利技术所述的多视图的circrna与mirna关系预测方法的一种优选方案，其中：所述构建正负样本数据集包括，从circnet和circbank两个数据库，选择强相关关联的circrna-mirna对作为正样本，弱相关性的circrna-mirna对作为负样本；构建cmi-14500和cmi-9600数据集。
12、作为本专利技术所述的多视图的circrna与mirna关系预测方法的一种优选方案，其中：所述负样本包括，获取数据集中所有已知的circrna和mirna，生成circrna-mirna对，将所有的circrna和所有的mirna进行配对，生成所有可能的circrna-mirna对，移除所有已知的正样本对；
13、为判断负样本对，使用生物信息学的预测工具miranda和targetscan预测circrna和mirna是否存在交互作用；miranda使用动态规划算法来寻找mirna序列与mrna序列之间的最佳匹配，并基于互补碱基的数量和类型、序列中的错配和间隙、mirna的种子区域与mrna的互补性三个因素评分，判断circrna-mirna是否存在相关关系；targetscan使用mirna序列与mrna的3’utr序列进行比对，关注mirna的种子区域与mrna中的3’utr中的互补序列的结合情况，通过评分基于种子匹配的强度、结合位点的保守性判断circrna-mirna是否存在相关关系；若miranda和targetscan同时判断circrna与mirna存在相关关系，则该样本对被判断为负样本对。
14、作为本专利技术所述的多视图的circrna与mirna关系预测方法的一种优选方案，其中：所述构建表征特征包括，从circrna和mirna的序列层面中提取序列特征；提取的特征包括序列长度、gc含量、核苷酸频率分布；
15、通过boruta特征选择方法筛选最为高效的特征，做出假设，若一个特征对预测目标非常重要，那么在数据中加入该特征的随机扰动后，该特征的重要性应该仍然高于这些随机特征；通过迭代地测试特征的重要性来选择最佳特征子集；通过构建基于circrna与mirna的相关关系图，图中节点表示circrna和mirna，边表示节点间的相关关系；采用图嵌入方法graphsage，为每个节点生成一个向量表示；graphsage算法通过采样和聚合节点的邻居信息来学习节点的嵌入，通过多个聚合层来实现。
16、作为本专利技术所述的多视图的circrna与mirna关系预测方法的一种优选方案，其中：所述聚合包括，初始化节点嵌入，对于图中的每个节点，随机初始化其嵌入表示采样邻居，对于每个节点v，从其邻居n(v)中随机采样固定数量的邻居节点；聚合邻居信息，对于采样得到的邻居节点，使用均值聚合函数来聚合它们的嵌入表示，均值聚合的公式表示为：
17、
18、其中，s表示采样得到的邻居节点集合，w表示可学习的权重；b表示可学习的偏置，σ表示relu激活函数；更新节点嵌入，将聚合后的邻居信息与当前节点的嵌入表示相结合，生成新的节点嵌入表示l表示当前层，l+1为l的下一层；s表示节点v的所有邻居节点，u表示邻居节点中的一个节点，u属于集合s；
19、迭代聚合，重复采样到嵌入的步骤，进行多轮聚合，每一轮都可以采样更多的邻居节点，从而融合来自更远邻居的信息；
20、输出最终嵌入，经过多轮聚合后，每个节点的最终嵌入表示将是最后一轮聚合的输出，其中l本文档来自技高网...
【技术保护点】
1.一种多视图的circRNA与miRNA关系预测方法，其特征在于，包括：
2.如权利要求1所述的多视图的circRNA与miRNA关系预测方法，其特征在于：所述构建正负样本数据集包括，从circNet和circBank两个数据库，选择强相关关联的circRNA-miRNA对作为正样本，弱相关性的circRNA-miRNA对作为负样本；构建CMI-14500和CMI-9600数据集。
3.如权利要求2所述的多视图的circRNA与miRNA关系预测方法，其特征在于：所述负样本包括，获取数据集中所有的circRNA和miRNA样本，生成circRNA-miRNA对，移除所有已知的正样本对；
4.如权利要求3所述的多视图的circRNA与miRNA关系预测方法，其特征在于：所述构建表征特征包括，从circRNA和miRNA的序列层面中提取序列特征；提取的特征包括序列长度、GC含量、核苷酸频率分布；
5.如权利要求4所述的多视图的circRNA与miRNA关系预测方法，其特征在于：所述聚合包括，初始化节点嵌入，对于图中的每个节点，随机初始
6.如权利要求5所述的多视图的circRNA与miRNA关系预测方法，其特征在于：所述融合为二维数据结构包括，将circRNA和miRNA的序列特征，通过二维直方图的方式转化为2维矩阵；将circRNA和miRNA的图嵌入表示通过二维直方图的方式转化为2维矩阵；通过二维直方图的转换模式，将circRNA和miRNA特征表示为一种联合分布的矩阵，二维直方图将数据集的每个维度划分为一系列区间；
7.如权利要求6所述的多视图的circRNA与miRNA关系预测方法，其特征在于：所述构建四通道的卷积神经网络包括，构建的网络的通道分别对应circRNA和miRNA的序列特征转化的矩阵数据和circRNA和miRNA图嵌入特征转化的矩阵数据；对卷积神经网络添加多视图的注意力机制，用于细致扫描数据特性；将基于序列的特征和基于图嵌入的特征结合在一起，完成对circRNA与miRNA关系的分析和预测。
8.一种采用如权利要求1-7任一所述方法的多视图的circRNA与miRNA关系预测系统，其特征在于：
9.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现多视图的circRNA与miRNA关系预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现多视图的circRNA与miRNA关系预测方法的步骤。
...【技术特征摘要】
1.一种多视图的circrna与mirna关系预测方法，其特征在于，包括：
2.如权利要求1所述的多视图的circrna与mirna关系预测方法，其特征在于：所述构建正负样本数据集包括，从circnet和circbank两个数据库，选择强相关关联的circrna-mirna对作为正样本，弱相关性的circrna-mirna对作为负样本；构建cmi-14500和cmi-9600数据集。
3.如权利要求2所述的多视图的circrna与mirna关系预测方法，其特征在于：所述负样本包括，获取数据集中所有的circrna和mirna样本，生成circrna-mirna对，移除所有已知的正样本对；
4.如权利要求3所述的多视图的circrna与mirna关系预测方法，其特征在于：所述构建表征特征包括，从circrna和mirna的序列层面中提取序列特征；提取的特征包括序列长度、gc含量、核苷酸频率分布；
5.如权利要求4所述的多视图的circrna与mirna关系预测方法，其特征在于：所述聚合包括，初始化节点嵌入，对于图中的每个节点，随机初始化其嵌入表示采样邻居，对于每个节点v，从其邻居n(v)中随机采样固定数量的邻居节点；聚合邻居信息，对于采样得到的邻居节点，使用均值聚合函数来聚合它们的嵌入表示，均值聚合的公式表示为：
6.如权利要求5所述的多视图的circr...
【专利技术属性】
技术研发人员：杨森，杨泽熙，卢嘉毅，倪嘉琦，聂琪，陈宏，
申请(专利权)人：常州大学，
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。