1.一种基于编码器的梯度提升机miRNA-疾病关联预测方法,其特征在于,包括以下步骤:步骤1,从预设数量个外部生物和医学数据源获取miRNA-疾病关联数据,疾病的自相关数据和miRNA的自相关数据;
步骤2,根据步骤1获取的数据,计算得到疾病语义相似性矩阵;
步骤3,根据步骤1获取的数据,计算得到miRNA的功能相似性矩阵;
步骤4,根据步骤1获取的miRNA-疾病关联数据,得到miRNA-疾病关联邻接矩阵,并根据miRNA-疾病关联邻接矩阵,分别计算得到miRNA和疾病的高斯相互作用谱核相似性矩阵;
步骤5,根据步骤2获得的疾病语义相似性矩阵和步骤3获得的miRNA的功能相似性矩阵分别与步骤4计算得到的miRNA和疾病的高斯相互作用谱核相似性矩阵进行整合,得到miRNA和疾病的整合相似性矩阵;
步骤6,根据步骤5得到的miRNA和疾病的整合相似性矩阵分别与miRNA-疾病关联邻接矩阵进行拼接,得到miRNA和疾病综合相似性矩阵;
步骤7,将步骤6获得的miRNA和疾病综合相似性矩阵的特征向量输入到自动编码器进行特征提取,提取到低维高质量的miRNA-疾病关联特征向量;
步骤8,将步骤7得到的低维高质量的miRNA-疾病关联特征向量输入轻量梯度提升机分类器进行miRNA-疾病关联预测;
得到的miRNA和疾病综合相似性矩阵分别为:
其中,,,,分别表示第个miRNA与其它miRNA的整合相似性,第个疾病和其它疾病的整合相似性,已验证的miRNA-疾病关联矩阵的第行,已验证的miRNA-疾病关联矩阵的第列转置;
所述将步骤6获得的miRNA和疾病综合相似性矩阵的特征向量输入到自动编码器进行特征提取,提取到低维高质量的miRNA-疾病关联特征向量,包括:分别利用自编码器对495×383行495+495列的矩阵和495×383行383+383列的矩阵进行处理,提取它们的低维特征,同时降低原始特征向量中隐藏的冗余信息带来的噪声,得到两个低维高质量的miRNA-疾病关联特征向量。
2.根据权利要求1所述的一种基于编码器的梯度提升机miRNA-疾病关联预测方法,其特征在于,获取HMDD数据库,从中得到经过生物实验验证的miRNA-疾病关联数据,从而得到miRNA-疾病关联邻接矩阵;根据MeSH数据库获取疾病语义相似性矩阵;根据基因本体数据库获取miRNA的功能相似性矩阵。
3.根据权利要求1所述的一种基于编码器的梯度提升机miRNA-疾病关联预测方法,其特征在于,所述计算得到疾病语义相似性矩阵,包括:计算祖先疾病对疾病的语义值贡献对应的公式为:
其中,△为设置为0.5的语义贡献因子,是其中一个祖先疾病,是其中一个祖先疾病对疾病的语义值贡献,是祖先疾病对疾病的语义值贡献;疾病对自身的语义贡献值设为1,结合祖先疾病在有向无环图DAG(d)中的贡献值,疾病的语义值对应的公式为:其中,是与疾病相关的祖先疾病的集合,疾病和的语义相似性对应的公式为:另一种计算DAG中疾病对疾病语义值的贡献对应的公式为:
疾病的语义相似性值对应的公式为:
疾病和疾病之间的语义相似性值对应的公式为:
将两种疾病语义相似性值整合在一起,提出疾病语义相似性矩阵DS对应的公式为:。
4.根据权利要求1所述的一种基于编码器的梯度提升机miRNA-疾病关联预测方法,其特征在于,所述根据miRNA-疾病关联邻接矩阵,分别计算得到miRNA和疾病的高斯相互作用谱核相似性矩阵,包括:通过高斯相互作用谱核相似性揭示疾病和疾病之间的关系,表示疾病和每个miRNA之间经过验证的关联,相似,是疾病的个数,是用于调整内核带宽的参数,疾病之间的高斯相互作用谱核相似性矩阵对应的公式为:KD(di,dj)=exp(-γdPIP(di)-IP(dj)P2)表示miRNA与每种疾病之间的已知关联,与其相似,是miRNA的个数,描述的是用于调整内核带宽的参数,miRNA之间的高斯相互作用谱核相似性矩阵对应的公式为:KM(mi,mj)=exp(-γmPIP(mi)-IP(mj)P2)
5.根据权利要求1所述的一种基于编码器的梯度提升机miRNA-疾病关联预测方法,其特征在于,所述根据步骤2获得的疾病语义相似性矩阵和步骤3获得的miRNA的功能相似性矩阵分别与步骤4计算得到的miRNA和疾病的高斯相互作用谱核相似性矩阵进行整合,得到miRNA和疾病的整合相似性矩阵,包括:通过将miRNA的高斯相互作用谱核相似性矩阵和miRNA的功能相似性矩阵整合在一起,以获得miRNA的整合相似性矩阵对应的公式为:将疾病的高斯相互作用谱核相似性矩阵和疾病语义相似性矩阵整合在一起得到疾病的整合相似性矩阵对应的公式为:。
6.根据权利要求1所述的一种基于编码器的梯度提升机miRNA-疾病关联预测方法,其特征在于,所述将步骤7得到的低维高质量的miRNA-疾病关联特征向量输入轻量梯度提升机分类器进行miRNA-疾病关联预测,包括:将得到的两类低维高质量的miRNA-疾病关联特征向量输入到轻量梯度提升机分类器进行预测,从疾病和miRNA角度分别得到一个预测结果,把两个预测结果进行整合得到最终的miRNA-疾病关联预测值。