基于符号信息传播的微生物-疾病符号关联预测方法技术

本发明专利技术提出了一种基于符号信息传播的微生物‑疾病符号关联预测方法，其实现步骤为：基于符号信息传播策略构建多尺度图变分自编码器；将高斯噪声融入疾病相似性矩阵和微生物相似性矩阵中，并连同微生物‑疾病符号关联矩阵＝输入到多尺度图变分自编码器进行训练，得到疾病表征矩阵和微生物表征矩阵；构建每个目标类对应的微生物‑疾病符号关联预测模型；利用训练好的微生物‑疾病符号关联预测模型，预测微生物与疾病的符号关联。本发明专利技术具有充分利用符号关联数据、对噪声符号关联数据高效建模、降低相似性数据偏差的优点，可用于发现生物标志物。

【技术实现步骤摘要】

本专利技术属于电子数据处理，更进一步涉及医学电子数据处理中一种基于符号信息传播的微生物-疾病符号关联预测方法。本专利技术可用于发现生物标志物。

技术介绍

1、当前，大量的微生物群落与人类宿主相互作用密切，微生物群落的生态失调或失衡甚至会导致人类疾病。随着疾病-微生物符号关联数据的不断积累，对于疾病-微生物符号关联预测任务向数据驱动转变，针对疾病-微生物符号关联数据应用机器学习或深度学习方法来挖掘新的疾病-微生物符号关联可以进一步理解潜在的疾病机制。到目前为止，通过机器学习的方法来进行微生物-疾病关联预测的相关方法可以分为四类：基于网络的方法、基于矩阵分解的方法、基于正则化的方法和基于神经网络的方法，这几类方法并不互相排斥。基于网络的方法主要通过网络的拓扑结构信息来衡量节点的重要程度。基于矩阵分解的方法将输入的关联矩阵分解为两个低维矩阵，并能够保留一定的信息来重构原始输入矩阵。基于正则化的方法将关联预测任务转化为最小二乘分类任务，并采取不同的正则化手段来约束模型从而避免模型过拟合。基于神经网络的方法通常采用编码器-解码器结构来进行关联预测，使用图卷积网络或者本文档来自技高网...

【技术保护点】

1.一种基于符号信息传播的微生物-疾病符号关联预测方法，其特征在于，基于符号信息传播策略构建由编码器和解码器串联组成的多尺度图变分自编码器，在疾病相似性矩阵和微生物相似性矩阵中融入高斯噪声以消除相似性偏差的影响；该预测方法的步骤包括如下：

2.根据权利要求1所述的基于符号信息传播的微生物-疾病符号关联预测方法，其特征在于，步骤1中所述符号信息传播策略指的是，按照下式对不同符号关联连接的节点之间进行信息传播：

3.根据权利要求1所述的基于符号信息传播的微生物-疾病符号关联预测方法，其特征在于，步骤1中所述多尺度变分自编码器由第一单尺度SignGCN层、第二单尺度Si...

【技术特征摘要】

1.一种基于符号信息传播的微生物-疾病符号关联预测方法，其特征在于，基于符号信息传播策略构建由编码器和解码器串联组成的多尺度图变分自编码器，在疾病相似性矩阵和微生物相似性矩阵中融入高斯噪声以消除相似性偏差的影响；该预测方法的步骤包括如下：

2.根据权利要求1所述的基于符号信息传播的微生物-疾病符号关联预测方法，其特征在于，步骤1中所述符号信息传播策略指的是，按照下式对不同符号关联连接的节点之间进行信息传播：

3.根据权利要求1所述的基于符号信息传播的微生物-疾病符号关联预测方法，其特征在于，步骤1中所述多尺度变分自编码器由第一单尺度signgcn层、第二单尺度signgcn层、多尺度signgcn层依次串联组成，其中，第一、第二单尺度signgcn提取初步特征，编码器中的激活函数均选取relu函数实现；将第一、第二signgcn层的输出维度分别设置为512、128，多尺度signgcn层的三个输出尺度分别设置为64、32、16；编码器中的dropout值均设置为0.5；

4.根据权利要求1所述的基于符号信息传播的微生物-疾病符号关联预测方法，其特征在于，步骤2中所述多尺度图变分自编码器进行训练指的是，输入融入高斯噪声后的疾病相似性矩阵、微生物相似性矩阵、微生物-疾病符号关联矩阵a，采用梯度下降法，对自编码器的参数进行迭代更新，直到损失函数l1收敛为止，得到了训练好的多尺度图变分自编码器，将当前输出的多尺度图变分自编码器的参数组成微生物表征矩阵和疾病表征矩阵。

5.根据权利要求4所述的基于符号信息传播的微生物-疾病符号关联预测方法，其特征在于，所述疾病相似性矩阵指的是，大小为m×m且元素值在区间0到1之内的矩阵，其中，m表示微生物-疾病关联矩阵a行的总数，m≥1500。

6.根据权利要求4所述的基于符号信息传播的微生物-疾病符号关联预测方法，其特征在于，所述微生物相似性矩阵指的是，大小为n×n且元素值在区间0到1之内的矩阵...

【专利技术属性】
技术研发人员：鱼亮，祝焕，李朋勇，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：