1.一种基于多层图卷积神经网络的癌症驱动基因识别方法,其特征在于,包括以下步骤,步骤1、将收集到的基因的多组学特征进行相关预处理和计算,得到基因融合特征;
步骤2、将收集到的基因作为基因结点,基因之间的功能作为基因结点之间的边,得到基因网络;
步骤3、根据基因网络得到网络拓扑特征;
步骤4、将基因融合特征和网络拓扑特征输入到两个独立的多层图卷积神经网络中,对其进行训练;
步骤5、将训练的结果分别送入两个独立的预测器中,得到每个基因最终的预测分数;
所述步骤1具体为:
首先,每个基因的基因表达值是通过计算所述基因在癌症中表达值与对应的正常样本表达值之间的log2fold变化得到的,然后对所有样本取平均值;
然后,每个基因的基因突变值是通过计算对应癌症类型中所有样本的单核苷酸变异SNVs和拷贝数变异CNAs的平均值所得;
其次,计算DNA甲基化值由所有癌症样本和正常样本的甲基化信号的平均值确定,具体计算利用公式(1)计算得:其中,
最后,将计算好的基因表达值、基因突变值、DNA甲基化值和用工具提取出的系统级特征进行拼接,得到基因融合特征;
步骤4具体包括,
步骤4.1、在传统的图卷积神经网络中加入初始残差连接和恒等映射后,图卷积神经网络分层传播规则如式(2)所示,利用式(2)更新节点特征表示,分别得到高级多组学特征式(2)中,
式(3)中,
步骤4.2:利用式(4)、式(5)和式(6)构建总的损失函数式(4)和式(5)中,
式(6)中,
2.根据权利要求1所述的基于多层图卷积神经网络的癌症驱动基因识别方法,其特征在于:步骤3中对基因网络使用node2vec算法得到每个基因的网络拓扑特征。
3.根据权利要求1所述的基于多层图卷积神经网络的癌症驱动基因识别方法,其特征在于:步骤5具体包括,计算预测分数步骤5.1、利用式(7)得到多组学特征的预测分数式(7)中,
步骤5.2、利用式(8)得到网络拓扑特征的预测分数步骤5.3、利用式(9)将两个预测分数式(8)中,
4.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至3中任一项所述方法的步骤。