1.一种基于层细化图卷积神经网络预测疾病lncRNA的方法,其特征在于,包括以下步骤:
1)融合lncRNA、疾病和miRNA节点的多种相似性信息;
2)利用lncRNA‑疾病已知关联、miRNA‑疾病已知关联、lncRNA‑miRNA相互作用以及步骤
1)融合的相似性信息构建异构网络;
3)使用带分层细化机制的图卷积神经网络学习异构网络中每个节点的特征聚合信息;
4)使用READOUT函数将在消息传播过程中细化了的每一隐藏层的特征信息进一步整合,得到节点的最终特征表达;
5)对lncRNA和疾病节点的最终特征表达矩阵应用矩阵转置乘法,得到lncRNA‑疾病对的预测关联分数。
2.根据权利要求1所述的基于层细化图卷积神经网络预测疾病lncRNA的方法,其特征在于,所述步骤1)具体包括以下步骤:
1‑1)对于疾病节点,由疾病语义相似性和高斯核相似性信息融合得到疾病相似性矩阵;
1‑2)对于lncRNA节点,整合其功能相似性和高斯核相似性信息得到lncRNA相似性矩阵;
1‑3)对于miRNA节点,将miRNA序列相似性和高斯核相似性信息整合得到miRNA相似性矩阵。
3.根据权利要求2所述的基于层细化图卷积神经网络预测疾病lncRNA的方法,其特征在于,所述步骤1‑1)具体过程如下:
1‑1‑1)通过MeSH数据库中疾病的有向无环图DAG计算疾病的语义相似性;
1‑1‑2)对于疾病的高斯核相似性,假设相似的疾病与功能相似的lncRNA相关,反之亦然;疾病u、v之间的高斯核相似性定义公式如下:2
KD(u,v)=exp(‑αd‖IP(u)‑IP(v)‖) (1)其中,IP(u)表示疾病u与lncRNAs的相互作用谱,exp()是以自然数e为底的指数函数,αd表示核带宽控制参数,公式表示如下:其中,nd为疾病节点数量;
1‑1‑3)疾病的相似性融合策略如下:其中SMDu,v、DSSu,v和KDu,v分别表示疾病u和v的融合相似性、高斯核相似性和语义相似性。
4.根据权利要求3所述的基于层细化图卷积神经网络预测疾病lncRNA的方法,其特征在于,所述步骤1‑2)具体过程如下:
1‑2‑1)基于疾病语义相似性和miRNA‑疾病已知关联计算miRNA的功能相似性;
1‑2‑2)基于miRNA功能相似性和lncRNA‑miRNA相互作用计算lncRNA的功能相似性;
1‑2‑3)lncRNA的相似性融合策略如下:其中,SMLi,j、LFSi,j和KLi,j分别表示lncRNAi和j之间的融合相似性、功能相似性和高斯核相似性,KL(i,j)计算公式如下:2
KL(i,j)=exp(‑αl‖IP(i)‑IP(j)‖) (5)其中,αl表示核带宽控制参数,nl表示lncRNA的数量。
5.根据权利要求4所述的基于层细化图卷积神经网络预测疾病lncRNA的方法,其特征在于,所述步骤1‑3)具体过程如下:
1‑3‑1)获取对应miRNA节点的序列相似性信息;
1‑3‑2)计算miRNA节点的高斯核相似性矩阵,miRNAp和q之间的高斯核相似性计算公式如下:2
KM(p,q)=exp(‑αm‖IP(p)‑IP(q)‖) (7)其中,αm表示核带宽控制参数,nm为miRNA的数量;
1‑3‑3)miRNA的相似性融合与lncRNA和疾病相同,得到miRNA的融合相似性矩阵SMM,公式如下:其中,SMMp,q、MSSp,q和KMp,分别表示lncRNAi和j之间的融合相似性、功能相似性和高斯核相似性,
6.根据权利要求5所述的基于层细化图卷积神经网络预测疾病lncRNA的方法,其特征在于,所述步骤2)的具体过程如下:
2‑1)收集关于lncRNA‑疾病关联预测研究中的数据集,包括240个lncRNA,405个疾病和
495个miRNA,以及lncRNA‑疾病已知关联矩阵LD、miRNA‑疾病已知关联矩阵MD和lncRNA‑miRNA相互作用矩阵LM;
2‑2)使用已知的关联/相互作用信息和三种节点的融合相似性信息构建异构网络,其邻接矩阵A的公式定义如下:T T T
其中,LD、LM和MD分别表示LD、LM和MD矩阵的转置。
7.根据权利要去6所述的基于层细化图卷积神经网络预测疾病lncRNA的方法,其特征在于,所述步骤3)包括以下步骤:
3‑1)采用仿射变换将lncRNA、疾病和miRNA的特征维度调整一致,并构建lncRNA、疾病和miRNA节点的初始特征表示,分别表示为 和 仿射变换公式如下:其中(·)表示矩阵乘法, 和 表示可训练的权重矩阵,R表示维度, 和 表示可训练的偏置参数,d表示三种节点进行仿射变换后的特征维度;
3‑2)构建用于训练模型的初始特征表示 公式如下:
3‑3)利用分层细化机制聚合节点特征,在消息传播过程中,从初始层中动态地提取节点的特征信息,带分层细化机制的消息传播公式定义如下:其中,I是单位矩阵, 为(A+I)的对角度矩阵;
l+1 l+1 0
c =Sim(X ,X) (14)l+1 l+1 l+1
X =(c +ε)X (15)l+1
其中,X 表示第l+1层的节点特征,W为可训练的权重矩阵,Sim(·)表示相似性函数,l+1表示l+1层的节点特征初始节点特征之间余弦相似向量,ε是一个与cl+1
同型的向量,防止c 为0向量。
8.根据权利要求7所述的基于层细化图卷积神经网络预测疾病lncRNA的方法,其特征在于,所述步骤4)的过程如下:
4‑1)在计算每一隐藏层对最终节点特征嵌入的贡献时,已经考虑初始层的节点特征嵌入,因此,计算最终的节点特征嵌入X时不再考虑初始层,公式定义如下:
1 2 L
X=READOUT(X ,X ,…,X) (16)其中READOUT(·)采用平均聚合函数,L表示网络层数。
9.根据权利要求1所述的基于层细化图卷积神经网络预测疾病lncRNA的方法,其特征在于,所述步骤5)的过程如下:
5‑1)从得到的最终的节点特征嵌入X中分别提取出lncRNA的节点特征嵌入Xl和疾病的节点特征嵌入Xd,公式如下:Xl=X(0:nl,0:d) (17)Xd=X(nl:nl+nd,0:d) (18)上述两个公式分别表示截取X的0至(nl‑1)行的所有列和截取X的nl至(nl+nd‑1)行的所有列;
5‑2)使用矩阵转置乘法得到lncRNA‑疾病对的预测关联分数Predscore,公式如下:其中, 表示Xd的转置,(·)表示矩阵乘法。