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: 2023105424860
申请人: 湖南科技大学
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miRNA与疾病关联预测方法,其特征在于,包括以下步骤:

获取miRNA与疾病数据,根据所述miRNA与疾病数据得到miRNA与疾病关联矩阵,根据所述miRNA数据计算出miRNA相似性矩阵,根据所述疾病数据计算出疾病相似性矩阵;

根据所述miRNA与疾病关联矩阵、miRNA相似性矩阵以及疾病相似性矩阵构建异构关联矩阵,利用所述miRNA相似性矩阵、疾病相似性矩阵定义特征空间矩阵;根据异构关联矩阵和特征空间矩阵构建关于miRNA与疾病关联的异构网络图;

根据所述miRNA相似性矩阵计算出miRNA相似性的拉普拉斯图正则化矩阵,根据所述疾病相似性矩阵计算出疾病相似性的拉普拉斯图正则化矩阵;

构建图自编码器,所述图自编码器包括编码器和解码器,所述编码器包括依次连接的第一图注意力机制、第一图卷积层、第一拼接层、第二图注意力机制、第二图卷积层以及第二拼接层,所述解码器包括依次连接的第三图注意力机制、第三图卷积层、第三拼接层、第四图注意力机制以及第四图卷积层;

将所述异构关联矩阵、特征空间矩阵、miRNA相似性的拉普拉斯图正则化矩阵以及疾病相似性的拉普拉斯图正则化矩阵作为所述图自编码器的输入,得到所述图自编码器的输出矩阵;

根据所述输出矩阵以及miRNA与疾病关联矩阵计算损失值;

根据所述损失值调整所述图自编码器的训练参数,且在所述损失值稳定时根据所述图自编码器的输出矩阵计算出miRNA与疾病的关联预测得分矩阵;

其中,所述输出矩阵的具体获取过程为:

利用所述第一图注意力机制和第一图卷积层对所述异构关联矩阵、特征空间矩阵、miRNA相似性的拉普拉斯图正则化矩阵以及疾病相似性的拉普拉斯图正则化矩阵进行第一次编码,得到第一miRNA输出特征矩阵和第一疾病输出特征矩阵;

利用所述第一拼接层对第一miRNA输出特征矩阵和第一疾病输出特征矩阵进行拼接,得到第一拼接特征矩阵;

利用所述第二图注意力机制和第二图卷积层对所述异构关联矩阵、第一拼接特征矩阵、miRNA相似性的拉普拉斯图正则化矩阵以及疾病相似性的拉普拉斯图正则化矩阵进行第二次编码,得到第二miRNA输出特征矩阵和第二疾病输出特征矩阵;

利用所述第二拼接层对第二miRNA输出特征矩阵和第二疾病输出特征矩阵进行拼接,得到第二拼接特征矩阵;

利用所述第三图注意力机制和第三图卷积层对所述异构关联矩阵、第二拼接特征矩阵、miRNA相似性的拉普拉斯图正则化矩阵以及疾病相似性的拉普拉斯图正则化矩阵进行第一次解码,得到第三miRNA输出特征矩阵和第三疾病输出特征矩阵;

利用所述第三拼接层对第三miRNA输出特征矩阵和第三疾病输出特征矩阵进行拼接,得到第三拼接特征矩阵;

利用所述第四图注意力机制和第四图卷积层对所述异构关联矩阵、第三拼接特征矩阵、miRNA相似性的拉普拉斯图正则化矩阵以及疾病相似性的拉普拉斯图正则化矩阵进行第二次解码,得到第四miRNA输出特征矩阵和第四疾病输出特征矩阵,所述第四miRNA输出特征矩阵和第四疾病输出特征矩阵为所述图自编码器的输出矩阵。

2.根据权利要求1所述的miRNA与疾病关联预测方法,其特征在于,所述miRNA相似性矩阵的具体计算过程为:将每个miRNA作为字符串,通过Levenshtein距离计算出不同miRNA之间的序列相似性,具体计算公式为:其中,mi表示miRNAi,mj表示miRNAj,Seq(mi,mj)表示mi与mj之间的序列相似性,s(mi)表示miRNAi的序列信息,s(mj)表示miRNAj的序列信息,dis表示将mi转换为mj所需花费的最小编辑成本;

计算出不同miRNA之间的功能相似性,具体计算公式为:

其中,MF(mi,mj)表示mi与mj之间的功能相似性,Di表示与mi相关的疾病集合,Dj表示与mj相关的疾病集合,dir表示疾病集合Di中的疾病,djr表示疾病集合Dj中的疾病,Sim(dir,Dj)表示疾病dir与疾病集合Dj的相似性,Sim(djr,Di)表示疾病djr与疾病集合Di的相似性,|Di|表示疾病集合Di中的疾病数量,|Dj|表示疾病集合Dj中的疾病数量,Sim(d,dr)表示疾病d与疾病集合D中某一疾病dr之间的相似性,n表示疾病集合D中的疾病数量;

计算出不同miRNA之间的高斯核相似性,具体计算公式为:

GM(mi,mj)=exp(-υm||IP(mi)-IP(mj)||2)

其中,GM(mi,mj)表示mi与mj之间的高斯核相似性,IP(mi)表示mi的相互作用谱,IP(mj)表示mj的相互作用谱,υm表示控制miRNA内核带宽的变量,υm'表示归一化后的miRNA内核带宽变量,Numm表示miRNA的数量;

对不同miRNA之间的序列相似性、功能相似性以及高斯核相似性进行整合,得到miRNA相似性,由所有miRNA相似性构成miRNA相似性矩阵;其中,所述miRNA相似性的具体计算公式为:其中,MM(mi,mj)表示mi与mj之间的相似性,IM(mi,mj)表示序列相似性与功能相似性的平均值。

3.根据权利要求1所述的miRNA与疾病关联预测方法,其特征在于,所述疾病相似性矩阵的具体计算过程为:构建疾病di的有向无环图其中有向无环图包括疾病di节点及其所有祖先疾病节点集合以及从父疾病节点到子疾病节点的所有直接边的集合计算出两种疾病节点di、dj在DAG中的位置与其祖先疾病节点的语义相似性DL(di,dj),具体计算公式为:其中,表示与疾病di有关的疾病d的语义值,表示与疾病dj有关的疾病d的语义值,DValue(di)表示疾病di的语义值,DValue(dj)表示疾病dj的语义值,表示疾病d对疾病di的语义贡献,表示疾病d对疾病dj的语义贡献,η表示语义贡献因子,d'表示疾病d的子疾病;

计算出不同疾病之间的高斯核相似性,具体计算公式为:

GD(di,dj)=exp(-υd||IP(di)-IP(dj)||2)

其中,GD(di,dj)表示疾病di与疾病dj之间的高斯核相似性,IP(di)表示疾病di的相互作用谱,IP(dj)表示疾病dj的相互作用谱,υd表示控制疾病内核带宽的变量,υd'表示归一化后的疾病内核带宽变量,Numd表示疾病的数量;

对不同疾病之间的语义相似性、高斯核相似性进行整合,得到疾病相似性,由所有疾病相似性构成疾病相似性矩阵;其中,所述疾病相似性的具体计算公式为:其中,DD(di,dj)表示疾病di与疾病dj之间的相似性。

4.根据权利要求1所述的miRNA与疾病关联预测方法,其特征在于,根据所述miRNA与疾病关联矩阵、miRNA相似性矩阵以及疾病相似性矩阵构建异构关联矩阵的具体实现过程为:构建第一零矩阵Om和第二零矩阵Od,所述第一零矩阵Om与所述miRNA相似性矩阵为同型矩阵,所述第二零矩阵Od与所述疾病相似性矩阵为同型矩阵;

由所述miRNA与疾病关联矩阵、第一零矩阵Om和第二零矩阵Od构成所述异构关联矩阵,具体表达式为:其中,HN为异构关联矩阵,H为miRNA与疾病关联矩阵。

5.根据权利要求1所述的miRNA与疾病关联预测方法,其特征在于,所述特征空间矩阵的具体表达式为:其中,Y0为特征空间矩阵,Numm表示miRNA的数量,Numd表示疾病的数量;Wmm和Wdd表示转换矩阵;MM表示miRNA相似性矩阵,DD表示疾病相似性矩阵;Ymm表示miRNA节点的特征,Ydd表示疾病节点的特征;cat(·)表示拼接函数。

6.根据权利要求1所述的miRNA与疾病关联预测方法,其特征在于,所述miRNA相似性的拉普拉斯图正则化矩阵的具体计算公式为:其中,Mm表示miRNA相似性的拉普拉斯图正则化矩阵,MM表示miRNA相似性矩阵,对角矩阵Bm表示MM的度矩阵;

所述疾病相似性的拉普拉斯图正则化矩阵的具体计算公式为:

其中,Md表示疾病相似性的拉普拉斯图正则化矩阵,DD表示疾病相似性矩阵,对角矩阵Bd表示DD的度矩阵。

7.根据权利要求1~6中任一项所述的miRNA与疾病关联预测方法,其特征在于,所述第一miRNA输出特征矩阵和第一疾病输出特征矩阵的具体计算公式为:其中,表示第一miRNA输出特征矩阵,表示第一疾病输出特征矩阵,Mm表示miRNA相似性的拉普拉斯图正则化矩阵,Md表示疾病相似性的拉普拉斯图正则化矩阵,HN为异构关联矩阵,Y0为特征空间矩阵,W1、W2均为权重矩阵,表示由第一图注意力机制得到的miRNA节点特征矩阵,表示由第一图注意力机制得到的疾病节点特征矩阵;

所述第二miRNA输出特征矩阵和第二疾病输出特征矩阵的具体计算公式为:

其中,表示第二miRNA输出特征矩阵,表示第二疾病输出特征矩阵,Y1为第一拼接特征矩阵,W3、W4均为权重矩阵,表示由第二图注意力机制得到的miRNA节点特征矩阵,表示由第二图注意力机制得到的疾病节点特征矩阵;

所述第三miRNA输出特征矩阵和第三疾病输出特征矩阵的具体计算公式为:

其中,表示第三miRNA输出特征矩阵,表示第三疾病输出特征矩阵,Y2为第二拼接特征矩阵,W5、W6均为权重矩阵,表示由第三图注意力机制得到的miRNA节点特征矩阵,表示由第三图注意力机制得到的疾病节点特征矩阵;

所述图自编码器的输出矩阵的具体计算公式为:

其中,表示第四miRNA输出特征矩阵,表示第四疾病输出特征矩阵,Y3为第三拼接特征矩阵,W7、W8均为权重矩阵,表示由第四图注意力机制得到的miRNA节点特征矩阵,表示由第四图注意力机制得到的疾病节点特征矩阵。

8.根据权利要求7所述的miRNA与疾病关联预测方法,其特征在于,由所述第一图注意力机制得到miRNA节点特征矩阵和疾病节点特征矩阵的具体实现过程为:根据特征空间矩阵计算注意力机制的计算系数,具体计算公式为:

其中,表示参数化后的注意力机制;表示注意力的计算系数;W表示权重矩阵;表示异构网络图中第i个miRNA节点mi的特征向量,表示异构网络图中第j个疾病节点dj的特征向量,表示异构网络图中第r个疾病节点dr的特征向量,dr表示节点mi的邻居节点;||表示对两个矩阵进行拼接操作;表示异构网络图中miRNA节点mi的所有邻居节点的集合;

采用多头注意力对疾病节点的邻居节点的特征进行聚合,得到新的特征空间矩阵GAT(HN,Y0),具体聚合公式为:其中,ζ表示非线性LeakyReLU激活函数,K表示注意力头数,表示第k头注意力下疾病节点dj的邻居聚合信息,Wk表示第k头注意力下的权重矩阵,表示第k头注意力下的计算系数;

根据所述新的特征空间矩阵GAT(HN,Y0)确定miRNA节点特征矩阵和疾病节点特征矩阵具体公式为:其中,GAT(HN,Y0)[1:Numm,:]表示新的特征空间矩阵GAT(HN,Y0)的第1~Numm行,GAT(HN,Y0)[(Numm+1):(Numm+Numd),:]表示新的特征空间矩阵GAT(HN,Y0)的第Numm+1~Numm+Numd行。

9.根据权利要求1所述的miRNA与疾病关联预测方法,其特征在于,所述损失值的具体计算公式为:其中,Γ表示损失值,hij表示miRNA与疾病关联矩阵H中第i行第j列的元素,表示第四miRNA输出特征矩阵,表示第四疾病输出特征矩阵,rmij表示矩阵Rm中第i行第j列的元素,rdij表示矩阵RdT中第i行第j列的元素。

10.根据权利要求1所述的miRNA与疾病关联预测方法,其特征在于,所述关联预测得分矩阵的具体计算公式为:其中,R表示关联预测得分矩阵,表示第四miRNA输出特征矩阵,表示第四疾病输出特征矩阵,表示平衡参数。

11.一种电子设备,该电子设备包括:处理器和存储有计算机程序的存储器,其特征在于,所述处理器被配置为执行所述计算机程序时实现如权利要求1~10中任一项所述的miRNA与疾病关联预测方法。

12.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~10中任一项所述的miRNA与疾病关联预测方法。