1.一种基于多网络图卷积的癌症驱动基因识别方法,其特征在于:Step1:根据蛋白质相互作用网络得到结构网络;
Step2:为每个基因计算出增强特征;
Step3:根据基因的生物特征之间的相似度得到特征网络;
Step4:将结构网络、特征网络和生物特征放入多网络图卷积模型中,对模型进行训练,并利用训练好的模型预测新的癌症驱动基因;
Step5:输出每个基因是否是癌症驱动基因的预测分数;
所述Step2具体为:
首先求取基因的差异甲基化率,即一个癌症类型的所有样本中,癌症和匹配正常样本之间甲基化信号差异的平均值:式中,表示基因i在癌症c型中的甲基化值,和是癌症和匹配正常样品中的甲基化信号,Sc表示癌症的样本集;
然后获取每个基因的差异表达率,每个基因的差异表达率是通过其在癌症中的表达值与正常样本之间的对数倍变化来测量的,然后在所有样本中取平均值;
最后,在结构网络中使用deepwalk算法得到每个基因的包含深层关联关系的网络结构特征,然后将其与每个基因在N种癌症中的突变率、差异甲基化率、差异表达率串联在一起,并进行最小最大规范化,得到每个基因的增强特征;
所述Step4中所使用的多网络图卷积模型是基于使用切比雪夫算子的图卷积层,输入为节点特征,以及结构网络和特征网络,将节点特征、结构网络,节点特征、特征网络分别输入两组图卷积,并对经过两组图卷积得到的嵌入矩阵进行一致性约束,最后通过特征拼接、全连接层得到并输出预测分数。
2.根据权利要求1所述的基于多网络图卷积的癌症驱动基因识别方法,其特征在于,所述Step1具体为:删除蛋白质相互作用数据中分数小于0.5的交互数据。
3.根据权利要求1所述的基于多网络图卷积的癌症驱动基因识别方法,其特征在于,所述Step3具体为:根据Step2中得到的增强特征,计算基因之间的余弦相似度,得到余弦相似度矩阵,每个基因根据余弦相似度矩阵找到与其最相似的20个邻居用边相连,得到特征网络。