1.一种基于张量分解的miRNA‑疾病关联预测方法,其特征在于,包括以下步骤:步骤1:基于已知的miRNA‑疾病关联数据、miRNA‑基因关联数据和基因‑疾病关联数据,构建miRNA‑基因‑疾病关联张量;
步骤2:基于miRNA‑基因‑疾病关联张量,计算miRNA、基因、疾病之间的生物相似性信息和邻接信息,构建相似性矩阵和邻接矩阵;
步骤3:构造基于张量分解的目标函数;
基于张量分解方式,分解miRNA‑基因‑疾病关联张量,保留miRNA‑基因‑疾病关联张量中已知关联信息,并对未知关联信息进行评分,采用三个因子矩阵重构miRNA‑基因‑疾病关联张量,并引入因子矩阵和与因子矩阵对应的投影矩阵的Tikhonov正则化项,获得基于张量分解的目标函数;
其中,利用相似性矩阵,对三个因子矩阵进行图正则化处理;同时,利用邻接矩阵,对三T
个因子矩阵均进行投影处理,投影函数为f(X,Y)=XBY ,B是投影矩阵,X和Y表示两类节点T
的因子矩阵,Y表示Y的转置;
步骤4:对目标函数进行求解,获得各因子矩阵,并利用各因子矩阵重构的miRNA‑基因‑疾病关联张量和miRNA‑基因‑疾病关联结构未知的索引张量的哈达玛积作为miRNA‑基因‑疾病关联评分张量,将miRNA‑基因‑疾病关联评分张量转换为miRNA‑疾病关联评分矩阵,获得miRNA‑疾病关联预测值;其中,miRNA‑基因‑疾病关联结构未知的索引张量用于记录miRNA‑基因‑疾病关联张量 初始值中关联未知的元素的位置。
2.根据权利要求1所述的方法,其特征在于,所述目标函数表达式如下:其中, 表示构建的miRNA‑基因‑疾病关联张量, M、T、D分别表示分解得到的用于重构张量的miRNA、基因、疾病的因子矩阵, I表示miRNA的数量、J表示基因的数量、K表示疾病的数量,R表示张量 的秩,R<
表示重构的miRNA‑基因‑疾病关联张量;Lm、Lt、Ld分别表示miRNA、基因、疾病的相似性矩阵的图拉普拉斯矩阵, tr(·)是矩阵的迹;Amt表示miRNA‑基因邻接矩阵,Amd表示miRNA‑疾病邻接矩阵,Atd表示基因‑疾病邻接矩阵;
B1、B2、B3分别为用作miRNA因子矩阵M与基因因子矩阵T,miRNA因子矩阵M与疾病因子矩阵D,基因因子矩阵T与疾病因子矩阵D之间的投影矩阵, α控制相似性信息的影响,β控制邻接信息的影响,α和β的取值范围均为[0.125,2];λ是Tikhonov正则化项的正则化系数,取值范围为[0.001,
10]; 表示Frobenius范数,*表示哈达玛积,Ω是一个miRNA‑基因‑疾病关联结构已知的索引张量,大小与 相同,Ω中元素的值仅为0或1,用于记录 初始值中关联已知的元素的位置,当 中元素 关联已知时,Ωijk=1,当 关联未知时,Ωijk=0;为观察张量,表示 中关联已知的部分,的数据与 的初始值相同。
3.根据权利要求2所述的方法,其特征在于,采用交替方向乘子和共轭梯度法分别求解目标函数中的因子矩阵和投影矩阵。
4.根据权利要求3所述的方法,其特征在于,利用交替方向乘子法迭代更新求解因子矩阵;
对于每个因子矩阵,从目标函数中提取包含该因子矩阵的项,构成因子矩阵的目标函数,然后利用交替方向乘子法求解因子矩阵目标函数,得到因子矩阵的更新方式,利用具体计算公式将因子矩阵的更新方式表示如下:其中, 分别表示 沿miRNA、基因、疾病维度展开的矩阵,⊙是Khatri‑Ra o 乘 积 ,O 、P 、Q 是 辅 助 变量 ,Y 1 、Y 2 、Y 3 表 示 是拉 格 朗 日 乘 子 ,η是惩罚参数,E1=D⊙T,E2=D⊙M,是单位矩阵。
5.根据权利要求3所述的方法,其特征在于,利用共轭梯度法迭代更新投影矩阵B1,B2,B3;
用矩阵 统一表示投影矩阵B1,B2和B3,则投影矩阵B1,B2和B3的目标函数统一用一个关于矩阵B目标函数表示:
其中,W表示邻接矩阵,U和V分别表示与W相关的因子矩阵;
利用共轭梯度法对矩阵B进行更新,在更新过程中,第n次迭代的内容如下:(n+1) (n) (n) (n)B =B +ξ C
(n+1) (n) (n) T (n) T (n)G =G ‑ξ (ωUUC VV+υC )(0) (0) T T (0) T (0) (0) (0)其中,G和C为中间变量,初始化B =0,G =ωU WV‑ωU UB VV‑υB ,C =G ,上标(0)表示第0次迭代;
当W表示miRNA‑基因邻接矩阵Amt时,U表示miRNA因子矩阵M,V表示基因因子矩阵T,更新后的B表示更新后的投影矩阵B1;
当W表示miRNA‑疾病邻接矩阵Amd时,U表示miRNA因子矩阵M,V表示疾病因子矩阵D,更新后的B表示更新后的投影矩阵B2;
当W表示基因‑疾病邻接矩阵Atd时,U表示基因因子矩阵T,V表示疾病因子矩阵D,更新后的B表示更新后的投影矩阵B3。
6.根据权利要求1所述的方法,其特征在于,所述miRNA‑基因‑疾病关联评分张量采用以下公式计算获得:
其中, 表示miRNA‑基因‑疾病关联评分张量 中的元素, 表示重构的miRNA‑基因‑疾病关联张量中的元素, Mi,r、Tj,r、Dk,r分别表‑
示M中第(i,r)个值,T中第(j,r)个值,D中第(k,r)个值;Ω表示miRNA‑基因‑疾病关联结构‑ ‑
未知的索引张量,当Ωijk=1,Ωijk=0,当Ωijk=0,Ω ijk=1;当 初始值中元素 关联‑ ‑
已知时Ωijk=0,当 关联未知时,Ωijk=1。
7.根据权利要求1所述的方法,其特征在于,将miRNA‑基因‑疾病关联评分张量转换为miRNA‑疾病关联评分矩阵的具体过程如下:针对miRNAi‑疾病k对,从关联评分张量中获得一个数组 表示该miRNAi‑疾病k对关于全部基因的评分,计算该数组的平均值作为该miRNAi‑疾病k对的预测评分;从而获得关联评分张量中全部的miRNA‑疾病对的预测评分,按照矩阵形式存储,得到miRNA‑疾病关联评分矩阵。
8.根据权利要求1所述的方法,其特征在于,所述miRNA‑基因‑疾病关联张量是指:如果miRNA i与疾病k有关联,miRNA i与基因j有关联,基因j与疾病k有关联,将张量中的元素设置为1,表示张量中的元素 关联已知,否则将元素 设置为0,得到规模为I×J×K的张量,I表示miRNA的数量、J表示基因的数量、K表示疾病的数量。
9.根据权利要求1所述的方法,其特征在于,所述相似性矩阵包括miRNA相似性矩阵、基因相似性矩阵,疾病相似性矩阵;
所述邻接矩阵包括miRNA‑疾病邻接矩阵、miRNA‑基因邻接矩阵和疾病‑基因邻接矩阵;
通过min‑max正则化,将相似性矩阵中,相似性值超出[0,1]范围的约束在[0,1]的范围内。
10.一种基于张量分解的miRNA‑疾病关联预测系统,其特征在于,包括:miRNA‑基因‑疾病关联张量构建模块,通过采用已知的miRNA‑疾病关联数据、miRNA‑基因关联数据和基因‑疾病关联数据,提取关联信息,构建miRNA‑基因‑疾病关联张量;
辅助矩阵构建模块,通过利用构建的miRNA‑基因‑疾病关联张量,计算miRNA、基因、疾病之间的生物相似性信息和邻接信息,构建相似性矩阵和邻接矩阵;
目标函数构建模块:通过采用张量分解单元,对miRNA‑基因‑疾病关联张量进行张量分解,保留miRNA‑基因‑疾病关联张量中已知关联的信息,并对未知关联的信息进行评分,采用三个因子矩阵重构miRNA‑基因‑疾病关联张量,并引入因子矩阵和与因子矩阵对应的投影矩阵的Tikhonov正则化项,获得基于张量分解的目标函数;
其中,利用相似性矩阵,对三个因子矩阵进行图正则化处理;同时,利用邻接矩阵,对三T
个因子矩阵均进行投影处理,投影函数为f(X,Y)=XBY ,B是投影矩阵,X和Y表示两类节点T
的因子矩阵,Y表示Y的转置;
目标函数求解模块:通过对目标函数进行求解,获得各因子矩阵,并利用各因子矩阵重构的miRNA‑基因‑疾病关联张量和miRNA‑基因‑疾病关联结构未知的索引张量的哈达玛积作为miRNA‑基因‑疾病关联评分张量,将miRNA‑基因‑疾病关联评分张量转换为miRNA‑疾病关联评分矩阵,获得miRNA‑疾病关联预测值;
miRNA‑基因‑疾病关联结构未知的索引张量用于记录miRNA‑基因‑疾病关联张量 初始值中关联未知的元素的位置。