System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智能计算与数据挖掘领域,特别涉及一种基于尺度图卷积网络与特征卷积的circrna-疾病关联预测方法。
技术介绍
1、环状rna(circrna)是一种具有闭合环状结构的非编码rna,其独特的序列结构使其具有更加稳定的表达模式。circrna在自然界的多种生物体中都有存在,例如哺乳动物、植物和果蝇等。circrna的异常表达对于细胞的增殖和代谢有着至关重要的影响,与癌症、糖尿病、神经系统疾病等人类复杂疾病的发生和发展存在着不可分割的联系。因此,识别与疾病相关的circrna有助于揭示疾病发生发展的机制,进一步促进对人类复杂疾病的认识。
2、通过传统的湿实验识别疾病相关的circrna,研究成本高且耗费时间长。目前已经开发了多种计算模型有效地识别circrna和疾病之间的潜在关联。现有的方法大致可以分为以下两类:基于传统计算方法的模型和基于图神经网络算法的模型。
3、基于传统计算方法的模型主要是通过矩阵分解或训练分类器实现circrna-疾病关联的预测。wei等人提出了icircda-mf模型,利用邻居互作谱对假阴性关联进行错误纠正,然后使用矩阵分解实现潜在circrna-疾病关联的预测。shen等人设计了一种基于多个异构网络的预测模型xgbcda,通过极端梯度提升树(xgboost)分类器进行潜在特征的深入提取,然后再次训练xgboost分类器获取最终的预测结果。wei等人提出了一种称为icircda-ltr的计算模型,通过排序学习算法对每个circrna相关的疾病进行排序,进而预测出最具有相
技术实现思路
1、本专利技术的目的是提供了一种基于尺度图卷积网络与特征卷积的circrna-疾病关联预测方法,简称sgfccda,旨在运用图卷积网络方法,在一定程度上解决现有方法预测circrna-疾病关联计算方面难以充分处理特征表示的问题。
2、本专利技术提供的技术方案如下。
3、步骤1:分别融合circrna的功能相似性和高斯互作核相似性,疾病的语义相似性和高斯互作核相似性,生成对应的综合相似性网络,结合关联网络,构造circrna-疾病异构网络。
4、步骤2:将circrna-疾病异构网络作为尺度图卷积网络的输入,通过通道级别的尺度变换策略,捕获异构网络的拓扑信息以及节点的属性信息,更新circrna节点和疾病节点的特征;
5、步骤3:应用卷积神经网络,对更新后的circrna特征表示和疾病特征表示执行卷积学习,以探索更加丰富的节点信息,实现对特征的深度提取;
6、步骤4:通过哈达玛乘积有效组合circrna特征与疾病特征,并利用多层感知器实现circrna-疾病关联预测。
本文档来自技高网...【技术保护点】
1.一种基于尺度图卷积网络与特征卷积的circRNA-疾病关联预测方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的基于尺度图卷积网络与特征卷积的circRNA-疾病关联预测方法,其特征在于,步骤1中所述通道级别的尺度变换图卷积网络是将异构网络作为输入,通过通道级别的尺度变换策略,经过多层尺度图卷积网络层,更新circRNA节点和疾病节点的特征,具体步骤如下:
3.根据权利要求1所述的基于尺度图卷积网络与特征卷积的circRNA-疾病关联预测方法,其特征在于,步骤2中所述特征卷积学习策略,将尺度变换图卷积网络得到的特征表示堆叠,分别对堆叠后的circRNA特征表示和疾病特征表示应用卷积神经网络,实现对特征向量的卷积学习,具体步骤如下:
【技术特征摘要】
1.一种基于尺度图卷积网络与特征卷积的circrna-疾病关联预测方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述的基于尺度图卷积网络与特征卷积的circrna-疾病关联预测方法,其特征在于,步骤1中所述通道级别的尺度变换图卷积网络是将异构网络作为输入,通过通道级别的尺度变换策略,经过多层尺度图卷积网络层,更新c...
【专利技术属性】
技术研发人员:孙燕,何鑫,尚军亮,孟祥涵,张力敏,李凤,刘金星,
申请(专利权)人:曲阜师范大学,
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。