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: 2022107020176
申请人: 桂林理工大学
专利类型:发明专利
专利状态:已下证
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:

1.一种基于图卷积神经网络和Node2vec的circRNA‑疾病关联关系预测方法,其特征在于,包括以下步骤:步骤1:获取circRNA‑疾病关联矩阵;

步骤2:计算疾病语义相似性,疾病高斯相互作用谱核相似性、circRNA功能相似性、circRNA高斯相互作用谱核相似性,构建circRNA集成相似性和疾病集成相似性,生成circRNA‑疾病异构图;

步骤3:稀疏自动编码器对circRNA(疾病)集成相似性进行特征提取和变换后转为64维特征向量,组合circRNA特征向量和疾病特征向量为最终的circRNA‑疾病特征向量;

步骤4:图卷积神经网络对circRNA‑疾病异构图提取节点的局部结构信息;

步骤5:Node2vec方法对circRNA‑疾病异构图提取节点的全局结构信息;

步骤6:将前两步得到的节点信息送入到随机森林分类器中,预测潜在的circRNA‑疾病关联关系。

2.根据权利要求1所述的基于图卷积神经网络和Node2vec的circRNA‑疾病关联预测方法,其特征在于,步骤1中,具体为:从circR2Disease数据库中获取经实验验证的circRNA‑疾病关联数据,删除冗余数据,只挑选与人类复杂疾病相关的已知关联数据,作为circRNA‑疾病关联矩阵。

3.根据权利要求1所述的基于图卷积神经网络和Node2vec的circRNA‑疾病关联预测方法,其特征在于,步骤2中,具体为:从MESH数据库获取每种疾病的相关注释词,利用有向无环图(DAG)计算疾病间的语义相似性得到疾病语义相似性;根据circRNA‑疾病关联矩阵,计算circRNA(疾病)高斯相互作用谱核相似性;根据疾病语义相似性和circRNA‑疾病关联矩阵,计算circRNA功能相似性;

通过整合来自多个数据源的互补信息和不同的表示方法,采用集成相似性来量化每对疾病相似性克服固有稀疏性,得到circRNA集成相似性矩阵和疾病集成相似性矩阵。

4.根据权利要求1所述的基于图卷积神经网络和Node2vec的circRNA‑疾病关联预测方法,其特征在于,步骤3中,具体为:稀疏自动编码器不仅能自动学习特征,而且能给出比原始数据更好的特征描述;用稀疏自动编码器学习的特征替代原始数据,模型预测性能会有一定的提升;为此,本发明使用稀疏自动编码器分别对circRNA(疾病)集成相似性通过反向传播算法最小化输入和输出之间的误差,提取和变换特征,得到64维circRNA(疾病)特征向量;最后,组合circRNA(疾病)特征向量得到最终的circRNA‑疾病特征向量。

5.根据权利要求1所述的基于图卷积神经网络和Node2vec的circRNA‑疾病关联预测方法,其特征在于,步骤4中,具体为:局部结构信息描述图中节点与节点之间的局部相似性;具体地,如果两个节点之间存在边连接,则两个节点在嵌入空间中会有联系;如果两个节点之间没有存在边连接,则它们的一阶接近度为0;图卷积神经网络输入circRNA‑疾病异构图的结构和circRNA(疾病)节点特征,输出节点的池化信息和图结构信息,获取局部结构信息。

6.根据权利要求1所述的基于图卷积神经网络和Node2vec的circRNA‑疾病关联预测方法,其特征在于,步骤5中,具体为:全局结构信息描述没有直接联系的两个节点之间关系;Node2vec方法是对DeepWalk针对性改进,是基于随机游走对图进行采样,将节点邻接结构映射为序列结构;然后利用采样得到的序列训练Skip‑gram模型,捕捉节点与节点之间的连通性,得到全局结构信息。

7.根据权利要求1所述的基于图卷积神经网络和Node2vec的circRNA‑疾病关联预测方法,其特征在于,步骤6中,具体为:将前两步得到的节点信息送入随机森林分类器中,预测潜在的circRNA‑疾病关联关系,采用五折交叉验证,得到本发明的AUC值和AUPR值,获取预测结果。