1.一种基于图神经网络的磷酸化位点和疾病关联预测方法,其特征在于,包括以下步骤:(1)基于多源生物数据构建磷酸化位点与疾病的多视图,包含磷酸化位点序列相似性矩阵、疾病语义相似性矩阵以及位点-疾病关联信息;
(2)基于构建的磷酸化位点序列相似矩阵和疾病语义相似矩阵结合位点-疾病关联信息,构建多视图异构图;
(3)通过图层注意机制对构建的多视图异构图进行编码,生成位点和疾病的表示;
(4)使用对比学习方法对位点和疾病表示进行优化,并进行预测。
2.根据权利要求1所述的基于图神经网络的磷酸化位点和疾病关联预测方法,其特征在于,所述基于多源生物数据构建磷酸化位点与疾病的多视图,包含磷酸化位点序列相似性矩阵、疾病语义相似性矩阵以及位点-疾病关联信息的步骤,具体包括以下过程:通过使用预训练蛋白质语言模型ProtT5对磷酸化位点的氨基酸序列进行编码,生成位点序列的嵌入向量,并通过余弦相似度计算磷酸化位点间的相似性,构建磷酸化位点序列相似性矩阵;
利用MeSH构建疾病的有向无环图,结合语义贡献因子与稀有度特征,计算疾病之间的语义相似度,得到疾病语义相似矩阵;
基于位点-疾病的已知关联数据,构建位点-疾病的关联矩阵并计算GIP相似网络。
3.根据权利要求2所述的基于图神经网络的磷酸化位点和疾病关联预测方法,其特征在于,所述基于构建的磷酸化位点序列相似矩阵和疾病语义相似矩阵结合位点-疾病关联信息,构建多视图异构图的步骤,具体包括以下过程:基于构建的磷酸化位点序列相似矩阵PS和疾病语义相似矩阵DS,合并为相似性图,通过k近邻稀疏化处理,得到位点相似图和疾病相似图,并通过GLA编码得到Pg与Dg,结合位点-疾病关联信息S,构建异构图邻接矩阵如下所示:;
其包含磷酸化位点之间的相似性、疾病之间的相似性以及位点-疾病之间的关联信息,其中,表示位点-疾病关联信息的转置矩阵。
4.根据权利要求3所述的基于图神经网络的磷酸化位点和疾病关联预测方法,其特征在于,所述通过图层注意机制对构建的多视图异构图进行编码,生成位点和疾病的表示的步骤,具体包括以下过程:通过邻域聚合方式提取异构图每个节点的特征;
利用图层注意机制,通过对每一层的输出特征进行自适应加权,进行跨层特征融合,生成位点表示Ph和疾病表示Dh。
5.根据权利要求4所述的基于图神经网络的磷酸化位点和疾病关联预测方法,其特征在于,所述使用对比学习方法对位点和疾病表示进行优化,并进行预测的步骤,具体包括以下过程:使用负余弦相似度作为损失函数,通过对比正负样本对的距离进行优化,使得来自不同视图的相同节点的表示距离最小,而不同节点的表示距离最大;
将从位点相似视图和疾病相似视图获得的嵌入表示进行加权融合,得到最终的位点表示P和疾病表示D:;
;
其中,和是动态平衡特定于视图的嵌入(Pg,Dg)和异构图嵌入(Ph,Dh)之间的可学习门控参数;
计算最终损失,包括位点对比损失、疾病对比损失;
使用融合后的P、D表示磷酸化位点和疾病的特征,对于磷酸化位点i和疾病j,采用如下计算其预测分数:;
其中,表示节点i的特征向量的转置矩阵,表示节点j的特征向量;
以交叉熵损失作为主损失,结合对比损失构成总损失:;
其中,和为超参数,用于平衡对比损失和交叉熵损失之间的重要性,优化关联预测精度;
预测未知位点-疾病关联。