欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202110128089X
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于图神经网络融合多视图信息的miRNA‑疾病关联预测方法,其特征在于,包括以下步骤:步骤1:根据miRNA‑疾病相关的多组学数据,构建miRNA‑疾病关联矩阵,miRNA相似性网络视图、疾病相似性网络视图以及二分网络视图;

步骤2:构建基于图神经网络融合多视图信息的预测模型,包括多图卷积编码模块、二分图卷积编码模块、信息融合模块以及一致性判别器;

利用多图卷积编码模块对miRNA相似性网络视图、疾病相似性网络视图进行多图卷积操作,并对通过卷积操作得到的特征进行融合,得到相似性网络视图中节点的相似性局部特征;

利用二分图卷积编码模块,对二分网络视图进行二分图卷积操作,提取二分网络视图中节点的二分图局部特征;

信息融合模块,将各个视图上获得的miRNA节点和疾病节点的所有局部特征分别进行拼接与压缩,获得miRNA节点和疾病节点的全局特征及内积,得到miRNA节点和疾病节点之间的关联关系;

一致性判别器,用于获取多图卷积编码模块、二分图卷积编码模块得到的局部特征与信息融合模块获得的全局特征之间的一致性;

步骤3:利用已知的miRNA‑疾病关联数据作为训练数据,以训练数据按照步骤1处理得到的相似性网络视图和二分网络视图数据作为输入数据,输入基于图神经网络融合多视图信息的预测模型获得miRNA节点和疾病节点之间的关联关系预测值,利用miRNA节点和疾病节点的关联关系已知值和预测值之差的F范数,与一致性判别器所产生的判别损失之和作为损失函数,对预测模型进行训练,当达到设定的训练次数或者损失函数达到设定阈值时,获得训练好的基于图神经网络融合多视图信息的预测模型;

步骤4:将待预测关联关系的miRNA‑疾病的多组学数据输入基于图神经网络融合多视图信息的预测模型,对miRNA‑疾病的关联关系进行预测。

2.根据权利要求1所述的方法,其特征在于,所述miRNA相似性网络视图包括miRNA功能相似性视图MS1、miRNA语义相似性视图MS2以及miRNA序列相似性视图MS3;

所述疾病相似性视图包括疾病语义相似性视图DS1、疾病表型相似性视图DS2、疾病症状相似性视图DS3;

所述二分网络视图包括miRNA‑基因关联图、基因‑基因关联图以及疾病‑基因关联图。

3.根据权利要求2所述的方法,其特征在于,所述miRNA功能相似性视图MS1是根据miRNA‑基因的关联图以及基因‑基因关联图计算获得,以矩阵形式存储miRNA节点之间的相似性值,具体步骤如下:首先,从HumanNet下载基因‑基因关联数据,获得两个基因间的相互作用强度,通过下式归一化基因‑基因关联:其中,LLS(gi,gj)表示基因gi与基因gj的相互作用强度,LLSmin和LLSmax分别表示HumanNet中最大的LLS值与最小的LLS值;

其次,计算基因gi与基因gj的相似性S(gi,gj):

然后,计算基因与基因集合的相似性,令 表示基因集合,基因gt与G的相似性S(gt,G):

最后,计算两个miRNAmi与mj的相似性:

其中,Gi与Gj分别表示mi与mj所对应的基因集合,|Gi|和|Gj|分别表示基因集合Gi与Gj中基因的个数。

4.根据权利要求2所述的方法,其特征在于,所述疾病语义相似性视图DS1是从MeSH数据库下载疾病的DAG图,对DAG图信息进行转化获得:令DAGd=(d,Td,Ed)表示疾病d的DAG图,其中,Td表示疾病d及其祖先节点集合,Ed表示图中所有直接相连的有向边的集合,则DAGd中的某一疾病t对疾病d的语义贡献计算如下:则疾病di与dj的语义相似性DS1(i,j)计算如下:

其中, 与 分别表示疾病t对疾病di与dj的语义贡献值, 与 分别表示疾病di与dj及其祖先节点的集合。

5.根据权利要求2所述的方法,其特征在于,所述miRNA语义相似性视图MS2是根据MiRGOFS方法计算获得;

所述miRNA序列相似性视图MS3是根据Needleman‑Wunsch序列比对算法计算获得;

所述疾病表型相似性视图DS2是根据Hoehndorf的方法构建;

所述疾病症状相似性视图DS3是根据Zhou的方法构建。

6.根据权利要求1所述的方法,其特征在于,所述多图卷积编码模块对miRNA相似性网络视图、疾病相似性网络视图进行多图卷积操作,提取相似性网络视图中节点的局部特征,并利用权值共享多层感知机网络单元对每个节点在同类型相似性网络视图中的局部特征进行融合,得到相似性网络视图中节点的相似性局部特征;

所述多图卷积编码模块对miRNA相似性网络视图、疾病相似性网络视图进行多图卷积操作,按照如下公式进行:其中,Xm和Xd分别表示miRNA节点和疾病节点的初始特征,初始为随机特征;

IN是一个单位矩阵,

和 是一个可学习的权值矩阵, 表示在第p个miRNA视图进行图卷积操作的第l层的输出特征, 表示在第q个疾病视图进行图卷积操作的第l层的输出特征;

利用权值共享多层感知机网络单元对每个节点在同类型相似性网络视图中的局部特征进行融合,按以下公式进行:其中, 和fθ分别为miRNA节点权值共享多层感知机网络的全连接层和疾病节点权值共享多层感知机网络的全连接层, 和 分别表示融合了多个相似性视图信息的miRNA局部特征和疾病局部特征, 为第p个miRNA相似性网络视图的节点特征, 为第q个疾病相似性网络视图的节点特征。

7.根据权利要求1所述的方法,其特征在于,利用二分图卷积编码模块,对二分网络视图进行二分图卷积操作,提取二分网络视图中节点的二分图局部特征的过程如下:首先,利用二分图注意卷积层将miRNA和疾病的信息同时传递给基因,信息传递的公式如下:其中, 表示将信息从miRNA节点传递到基因节点的传播规则, 表示将信息从疾病节点传递到基因节点的传播规则, 表示基因节点 在二分图注意卷积层中第k层的特征, 表示将 相邻的miRNA节点的信息传递给 表示将相邻的疾病节点的信息传递给

BG(U,V,ε)表示二分图,U,V分别表示miRNA和疾病两个领域的节点集合;

bga表示二分图注意卷积层,定义如下:

其中, 为可学习的权值矩阵, 表示节点ui与vj的初始特征, 表示ui的邻居节点的集合,ρ()表示激活函数,||表示向量拼接, 表示 的转秩;

接着,利用GAT在基因‑基因网络的边上传播节点特征以增强并建立miRNA‑基因与疾病‑基因之间的关系模型,传播规则定义如下:最后,以基因节点作为桥梁,利用基因节点所捕获的信息更新miRNA和疾病的特征:分别表示miRNA节点 与疾病节点 在二分图注意卷积层中第k层的特征;

最后,利用所有的 得到所有miRNA节点与疾病节点的二分图特征

8.根据权利要求1所述的方法,其特征在于,所述信息融合模块,将各个视图上获得的miRNA节点和疾病节点的所有局部特征分别进行拼接,并利用用于特征压缩的多层感知机网络对拼接后的特征进行压缩,获得miRNA节点和疾病节点的全局特征,按照如下公式进行:其中, fψ()表示用于特征压缩的多层感知机网络单元中的两个多层感知机网络,Hm,Hd分别表示miRNA和疾病的全局特征。

9.根据权利要求1所述的方法,其特征在于,所述一致性判别器采用以下三种中的任意一种;

欧式距离判别器:

余弦相似性判别器:

交叉墒判别器:

其中,σ(·)表示softmax函数。

10.一种基于图神经网络融合多视图信息的miRNA‑疾病关联预测装置,其特征在于,包括:数据预处理模块:根据miRNA‑疾病相关的多组学数据,构建miRNA‑疾病关联矩阵,miRNA相似性网络视图、疾病相似性网络视图以及二分网络视图;

预测模型构建模块:构建多图卷积编码模块、二分图卷积编码模块、信息融合模块以及一致性判别器,且多图卷积编码模块、二分图卷积编码模块的输出均与信息融合模块和一致性判别器的输入相连,信息融合模块的输出还与一致性判别器的输入相连;

多图卷积编码模块对miRNA相似性网络视图、疾病相似性网络视图进行多图卷积操作,提取相似性网络视图中节点的局部特征,并利用权值共享多层感知机网络单元对每个节点在同类型相似性网络视图中的局部特征进行融合,得到相似性网络视图中节点的相似性局部特征;

二分图卷积编码模块,对二分网络视图进行二分图卷积操作,提取二分网络视图中节点的二分图局部特征;

信息融合模块,将各个视图上获得的miRNA节点和疾病节点的所有局部特征分别进行拼接,并利用用于特征压缩的多层感知机网络对拼接后的特征进行压缩,获得miRNA节点和疾病节点的全局特征,再利用miRNA节点和疾病节点的全局特征之间的内积,作为miRNA节点和疾病节点之间的关联关系;

一致性判别器,用于获取多图卷积编码模块、二分图卷积编码模块得到的局部特征与信息融合模块获得的全局特征之间的一致性;

训练模块:利用已知的miRNA‑疾病关联数据作为训练数据,以训练数据按照步骤1处理得到的相似性网络视图和二分网络视图数据作为输入数据,输入基于图神经网络融合多视图信息的预测模型获得miRNA节点和疾病节点之间的关联关系预测值,利用miRNA节点和疾病节点的关联关系已知值和预测值之差的F范数,与一致性判别器所产生的判别损失之和作为损失函数,对预测模型进行训练,当达到设定的训练次数或者损失函数达到设定阈值时,获得训练好的基于图神经网络融合多视图信息的预测模型;

预测模块:将待预测关联关系的RNAmiRNA‑疾病的多组学数据输入基于图神经网络融合多视图信息的预测模型,对miRNA‑疾病的关联关系进行预测。