CN107506617B - 半局部社交信息miRNA-疾病关联性预测方法 - Google Patents
半局部社交信息miRNA-疾病关联性预测方法 Download PDFInfo
- Publication number
- CN107506617B CN107506617B CN201710902228.3A CN201710902228A CN107506617B CN 107506617 B CN107506617 B CN 107506617B CN 201710902228 A CN201710902228 A CN 201710902228A CN 107506617 B CN107506617 B CN 107506617B
- Authority
- CN
- China
- Prior art keywords
- matrix
- mirna
- graph
- disease
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 99
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 140
- 108091070501 miRNA Proteins 0.000 claims abstract description 93
- 239000002679 microRNA Substances 0.000 claims abstract description 87
- 230000003993 interaction Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims 1
- 238000010606 normalization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000013060 biological fluid Substances 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000006143 cell culture medium Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003831 deregulation Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009368 gene silencing by RNA Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 108091027963 non-coding RNA Proteins 0.000 description 1
- 102000042567 non-coding RNA Human genes 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000035897 transcription Effects 0.000 description 1
- 238000013518 transcription Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Biotechnology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Genetics & Genomics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Epidemiology (AREA)
- Software Systems (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Medicines That Contain Protein Lipid Enzymes And Other Medicines (AREA)
Abstract
本发明公开了一种半局部社交信息miRNA‑疾病关联性预测方法。本发明将疾病之间的相似性，miRNA之间的相似性和已知疾病与miRNA之间的关联性构建异构图，在异构图中利用已知的关联和相似性来预测未知的疾病与miRNA的关联关联。将疾病与miRNA作为异构图中的顶点，类似性与关联矩阵作为边。路径的评分为边的权值与中间顶点的权值的乘积。疾病与miRNA关联的评分为两个顶点间所有长度为2边或3边的路径的评分之和。本发明该方法相较于之前的模型和方法，可较为高效且准确地预测疾病与miRNA间未知的关联。
Description
技术领域
本发明涉及生物医学和数学建模领域，尤其涉及定向异构图的构建方法，提出一种预测miRNA和疾病之间关联性的方法，一种半局部社交信息miRNA-疾病关联性预测方法。
技术背景
miRNA是一种小的非编码RNA，在植物、动物和一些病毒中，其在RNA沉默和转录后调控基因虽然大多数miRNA位于细胞内，但一些miRNA(通常称为循环miRNA或细胞外miRNA)也已在细胞外环境中发现，包括各种生物流体和细胞培养基。在过去几年中，越来越多的实验证据表明，miRNA在许多基本生物过程中起着非常重要的作用，如循环调节，代谢，神经元图案化等。疾病-miRNA关联预测是早期疾病诊断和治疗的重要手段。然而，大多数疾病-miRNA关联尚未确定，因此不能从文献中开采。疾病-miRNA关联的预测越来越受到重视。
虽然目前许多研究人员已经将其功能用于miRNA-疾病相互作用鉴定，但miRNA的失调机制尚未完全被理解。近年来，已经开发了一些方法来发现潜在的疾病-miRNA关联。它们主要基于一些假设，具有相似功能的miRNA有与类似疾病相关联的更多可能性。
基于这一假设，研究人员通过使用已知的关联和miRNA功能相似性来预测潜在的与疾病相关的miRNA，提出了HDMP的可靠性计算模型。还有研究人员提出了一种名为RWRMDA的方法，是第一个全球网络相似度计算模型。该方法通过考虑人类miRNA与miRNA之间的关联性来预测未确定的疾病与miRNA的关联。今年来机器学习的发展迅速，研究人员尝试机器学习计算模型来预测新型miRNA疾病关联，通过构建一个异质miRNATarget失调网络，网络进行特征提取，并构建一个SVM分类器，以从负相关中识别阳性miRNA疾病关联。
综上所述目前用于预测miRNA与疾病之间关联性的方法存在明显的局限性：
1.数据库的完整性对模型预测结果影响明显；
2.部分方法需要负面样本的加入才能取得较好的预测效果；
3.对实验数据要求较高，如果没有数量较大的实验数据，这些方法无法得到理想的预测结果；
4.部分方法可以发现潜在的miRNA与疾病之间的关联，但模型性能不甚理想。
发明内容
本发明提出一种半局部社交信息miRNA-疾病关联性预测方法(SSLMDA)，用于克服以前方法的局限性。本发明得到的预测结果更加准确。本发明主要思想是基于相似疾病往往与具有相似功能的miRNA相关的假设，将疾病之间的相似性，miRNA之间的相似性和已知疾病与miRNA之间的关联性构建异构图，在异构图中利用已知的关联和相似性来预测未知的疾病与miRNA的关联关联。该方法相较于之前的模型和方法，可较为高效且准确地预测疾病与miRNA间未知的关联。
本发明将疾病与miRNA作为异构图中的顶点，类似性与关联矩阵作为边。路径的评分为边的权值与中间顶点的权值的乘积。疾病与miRNA关联的评分为两个顶点间所有长度为2边或3边的路径的评分之和。
本发明解决其技术问题所采用的技术方案包括如下步骤：
步骤1.数据预处理
1-1.获取数据集中疾病相似性矩阵SD，miRNA相似矩阵SR和miRNA-疾病关联矩阵A；疾病相似性矩阵SD包含不同疾病的相似性信息，SD(d(i),d(j))代表疾病d(i)和疾病d(j)的相似度；miRNA相似矩阵SR包含各种miRNA的相似性信息，SR(m(i),m(j))表示miRNA m(i)和m(j)之间的相似性；miRNA疾病关联矩阵A包含疾病与miRNA之间已知关联，若A(d(i),m(j))取值为1，则认为疾病d(i)与miRNA m(j)存在关联且关联已通过实验证实。如果A(d(i),m(j))取值为0，则疾病d(i)与miRNA m(j)之间的关联尚未在实验和临床上得到证实。
1-2.对疾病相似性矩阵SD和miRNA相似矩阵SR应用高斯相互作用内核相似度方法，对原本疾病相似性矩阵SD和miRNA相似矩阵SR中空缺的位置进行补齐，得到新的疾病相似性矩阵SD和miRNA相似矩阵SR。
之所以采用高斯相互作用内核相似度方法，是因为疾病相似性矩阵SD和miRNA相似矩阵SR包含的信息可以描述为定向非循环图(DAG)，然而在目前可以得到的数据集中，疾病相似性矩阵SD，miRNA相似矩阵SR的信息不够完善，部分位置的值处于空缺状态。
步骤2.构建异构图矩阵GRAPH
异构图中有两种顶点和三种边，为了使不同长度的路径或经过不同类型顶点的路径的评分相加有意义，对边的权值和顶点的权值进行预处理，边的权重均值为1，顶点的权重为相连的边的权重的平方和的倒数：
SD'＝SD/(sum(SD))*CD,疾病类似性矩阵SD首先归1，将矩阵SD中非零元素个数记为CD，归一后矩阵SD乘上CD，使得Dis-Dis(疾病与疾病)边的均值为1。
SR'＝SR/(sum(SR))*CR,miRNA类似性矩阵SR首先归1，将SR矩阵中非零元素个数记为CR，归一后SR矩阵乘上CR，使得miR-miR(miRNA与miRNA)边的均值为1。
miRNA-疾病关联矩阵A记录了Dis-miR边，权重都为1。
Dis顶点的权重设置为SD′*SD′T的对角线向量的倒数。
miR顶点的权重设置为SR′*SR′T的对角线向量的倒数。
由SD′、SR′和A矩阵生成描述异构有向图的矩阵GRAPH：
GRAPH.block(0,0,Nd,Nd)＝DIS；
GRAPH.block(0,Nd,Nd,Nr)＝A；
GRAPH.block(Nd,Nd,Nr,Nr)＝MIR；
GRAPH.block(Nd,0,Nr,Nd)＝A.transpose()；
GRAPH左上角的子矩阵是疾病语义相似性矩阵SD′。GRAPH右下角矩阵为miRNA功能相似性矩阵SR′。GRAPH右上角是miRNA-疾病关联矩阵A。矩阵A的转置位于矩阵GRAPH左下方；得到GRAPH；
步骤3.获取疾病与miRNA之间的评分矩阵F
预测疾病和miRNA之间存在潜在的关联，得到一个疾病与miRNA是否存在关联的评分矩阵F。矩阵GRAPH的异构有向图由矩阵SD′，SR′，A组成，将矩阵GRAPH与矩阵GRAPH转置的乘积记为矩阵B。取矩阵B的对角线元素做倒数。将这些值组合成对角矩阵WEIGHT，对角矩阵的对角元素为异构图中顶点的权重值。
WEIGHT.diagonal()
＝(GRAPH*GRAPH.transpose()).diagonal().inverse()
用长度为2边或3边的路径进行评分:
具有两个边的路径的分数存储在名为Route2E的矩阵中。
矩阵Route2E计算公式如下：
Route2E＝GRAPH*WEIGHT*GRAPH
具有三个边的路径的分数存储在名为Route3E的矩阵中。
获取矩阵Route3E计算公式如下：
Route3E＝Route2E*WEIGHT*GRAPH
最终得分矩阵F通过获取Route2E和Route3E总和的右上部分得到：
F＝(Route2E+Route3E).block(0,Nd,Nd,Nr)。
步骤4、根据阈值设置进行预测；
用评分矩阵的计算方法获得一个阈值，并将设置的阈值与评分矩阵计算获得的评分进行比较，从而判断疾病与miRNA之间是否具有关系。
本发明方法具有的优点和创新性主要有：
1.算法过程运行简单明了，效率较高；
2.预测结果受数据集影响较小，在数据较差的情况下仍能得到较好预测结果
3.经实验验证，该算法的预测准确率较之前方法有显著提高；
附图说明
图1为输入的疾病相似性矩阵SD，miRNA相似矩阵SR和miRNA疾病关联矩阵A；
图2为根据矩阵构造得到异构图，左图为应用高斯相互作用内核相似度方法之前的，右图为应用高斯相互作用内核相似度方法之后的；
图3为构造得到GRAPH矩阵。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
半局部社交信息miRNA-疾病关联性预测方法，具体实现步骤如下：
步骤1.数据预处理
1-1.获取数据集中疾病相似性矩阵SD，miRNA相似矩阵SR和miRNA-疾病关联矩阵A，如图1所示；疾病相似性矩阵SD包含不同疾病的相似性信息，SD(d(i),d(j))代表疾病d(i)和疾病d(j)的相似度；miRNA相似矩阵SR包含各种miRNA的相似性信息，SR(m(i),m(j))表示miRNA m(i)和m(j)之间的相似性；miRNA疾病关联矩阵A包含疾病与miRNA之间已知关联，若A(d(i),m(j))取值为1，则认为疾病d(i)与miRNA m(j)存在关联且关联已通过实验证实。如果A(d(i),m(j))取值为0，则疾病d(i)与miRNA m(j)之间的关联尚未在实验和临床上得到证实。
1-2.对疾病相似性矩阵SD和miRNA相似矩阵SR应用高斯相互作用内核相似度方法，对原本疾病相似性矩阵SD和miRNA相似矩阵SR中空缺的位置进行补齐，得到新的疾病相似性矩阵SD和miRNA相似矩阵SR。
之所以采用高斯相互作用内核相似度方法，是因为疾病相似性矩阵SD和miRNA相似矩阵SR包含的信息可以描述为定向非循环图(DAG)，然而在目前可以得到的数据集中，疾病相似性矩阵SD，miRNA相似矩阵SR的信息不够完善，部分位置的值处于空缺状态。
步骤2.构建异构图矩阵GRAPH
如图2所示，异构图中有两种顶点和三种边，为了使不同长度的路径或经过不同类型顶点的路径的评分相加有意义，对边的权值和顶点的权值进行预处理，边的权重均值为1，顶点的权重为相连的边的权重的平方和的倒数：
SD'＝SD/(sum(SD))*CD,疾病类似性矩阵SD首先归1，将矩阵SD中非零元素个数记为CD，归一后矩阵SD乘上CD，使得Dis-Dis(疾病与疾病)边的均值为1。
SR'＝SR/(sum(SR))*CR,miRNA类似性矩阵SR首先归1，将SR矩阵中非零元素个数记为CR，归一后SR矩阵乘上CR，使得miR-miR(miRNA与miRNA)边的均值为1。
miRNA-疾病关联矩阵A记录了Dis-miRNA边，权重都为1。
Dis顶点的权重设置为SD′*SD′T的对角线向量的倒数。
miR顶点的权重设置为SR′*SR′T的对角线向量的倒数。
由SD′、SR′和A矩阵生成描述异构有向图的矩阵GRAPH：
GRAPH.block(0,0,Nd,Nd)＝DIS；
GRAPH.block(0,Nd,Nd,Nr)＝A；
GRAPH.block(Nd,Nd,Nr,Nr)＝MIR；
GRAPH.block(Nd,0,Nr,Nd)＝A.transpose()；
GRAPH左上角的子矩阵是疾病语义相似性矩阵SD′。GRAPH右下角矩阵为miRNA功能相似性矩阵SR′。GRAPH右上角是miRNA-疾病关联矩阵A。矩阵A的转置位于矩阵GRAPH左下方；得到GRAPH如图3所示；
步骤3.获取疾病与miRNA之间的评分矩阵F
预测疾病和miRNA之间存在潜在的关联，得到一个疾病与miRNA是否存在关联的评分矩阵F。矩阵GRAPH的异构有向图由矩阵SD′，SR′，A组成。将矩阵GRAPH与矩阵GRAPH转置的乘积记为矩阵B。取矩阵B的对角线元素做倒数。将这些值组合成对角矩阵WEIGHT，对角矩阵的对角元素为异构图中顶点的权重值。
WEIGHT.diagonal()
＝(GRAPH*GRAPH.transpose()).diagonal().inverse()
用长度为2边或3边的路径进行评分:
具有两个边的路径的分数存储在名为Route2E的矩阵中。
矩阵Route2E计算公式如下：
Route2E＝GRAPH*WEIGHT*GRAPH
具有三个边的路径的分数存储在名为Route3E的矩阵中。
获取矩阵Route3E计算公式如下：
Route3E＝Route2E*WEIGHT*GRAPH
最终得分矩阵F通过获取Route2E和Route3E总和的右上部分得到：
F＝(Route2E+Route3E).block(0,Nd,Nd,Nr)。
步骤4、根据阈值设置进行预测；
用评分矩阵的计算方法获得一个阈值，并将设置的阈值与评分矩阵计算获得的评分进行比较，从而判断疾病与miRNA之间是否具有关系。
因此，本申请可采用完全软件实施例的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (1)
1.半局部社交信息miRNA-疾病关联性预测方法，其特征在于包括如下步骤：
步骤1.数据预处理
1-1.获取数据集中疾病相似性矩阵SD，miRNA相似矩阵SR和miRNA-疾病关联矩阵A；疾病相似性矩阵SD包含不同疾病的相似性信息，SD(d(i),d(j))代表疾病d(i)和疾病d(j)的相似度；miRNA相似矩阵SR包含各种miRNA的相似性信息，SR(m(i),m(j))表示miRNA m(i)和m(j)之间的相似性；miRNA疾病关联矩阵A包含疾病与miRNA之间已知关联，若A(d(i),m(j))取值为1，则认为疾病d(i)与miRNA m(j)存在关联且关联已通过实验证实；如果A(d(i),m(j))取值为0，则疾病d(i)与miRNA m(j)之间的关联尚未在实验和临床上得到证实；
1-2.对疾病相似性矩阵SD和miRNA相似矩阵SR应用高斯相互作用内核相似度方法，对原本疾病相似性矩阵SD和miRNA相似矩阵SR中空缺的位置进行补齐，得到新的疾病相似性矩阵SD和miRNA相似矩阵SR；
步骤2.构建异构图矩阵GRAPH
异构图中有两种顶点和三种边，为了使不同长度的路径或经过不同类型顶点的路径的评分相加有意义，对边的权值和顶点的权值进行预处理，边的权重均值为1，顶点的权重为相连的边的权重的平方和的倒数：
SD'＝SD/(sum(SD))*CD,疾病类似性矩阵SD首先归1，将矩阵SD中非零元素个数记为CD，归一后矩阵SD乘上CD，使得Dis-Dis边的均值为1；
SR'＝SR/(sum(SR))*CR,miRNA类似性矩阵SR首先归1，将SR矩阵中非零元素个数记为CR，归一后SR矩阵乘上CR，使得miR-miR边的均值为1；
miRNA-疾病关联矩阵A记录了Dis-miR边，权重都为1；
Dis顶点的权重设置为SD′*SD′T的对角线向量的倒数；
miR顶点的权重设置为SR′*SR′T的对角线向量的倒数；
由SD′、SR′和A矩阵生成描述异构有向图的矩阵GRAPH：
GRAPH.block(0,0,Nd,Nd)＝DIS；
GRAPH.block(0,Nd,Nd,Nr)＝A；
GRAPH.block(Nd,Nd,Nr,Nr)＝MIR；
GRAPH.block(Nd,0,Nr,Nd)＝A.transpose()；
GRAPH左上角的子矩阵是疾病语义相似性矩阵SD′；GRAPH右下角矩阵为miRNA功能相似性矩阵SR′；GRAPH右上角是miRNA-疾病关联矩阵A；矩阵A的转置位于矩阵GRAPH左下方；得到GRAPH；
步骤3.获取疾病与miRNA之间的评分矩阵F
预测疾病和miRNA之间存在潜在的关联，得到一个疾病与miRNA是否存在关联的评分矩阵F；矩阵GRAPH的异构有向图由矩阵SD′，SR′，A组成，将矩阵GRAPH与矩阵GRAPH转置的乘积记为矩阵B；取矩阵B的对角线元素做倒数；将这些值组合成对角矩阵WEIGHT，对角矩阵的对角元素为异构图中顶点的权重值；
WEIGHT.diagonal()
＝(GRAPH*GRAPH.transpose()).diagonal().inverse()
用长度为2边或3边的路径进行评分:
具有两个边的路径的分数存储在名为Route2E的矩阵中；
矩阵Route2E计算公式如下：
Route2E＝GRAPH*WEIGHT*GRAPH
具有三个边的路径的分数存储在名为Route3E的矩阵中；
获取矩阵Route3E计算公式如下：
Route3E＝Route2E*WEIGHT*GRAPH
最终得分矩阵F通过获取Route2E和Route3E总和的右上部分得到：
F＝(Route2E+Route3E).block(0,Nd,Nd,Nr)；
步骤4、根据阈值设置进行预测；
用评分矩阵的计算方法获得一个阈值，并将设置的阈值与评分矩阵计算获得的评分进行比较，从而判断疾病与miRNA之间是否具有关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710902228.3A CN107506617B (zh) | 2017-09-29 | 2017-09-29 | 半局部社交信息miRNA-疾病关联性预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710902228.3A CN107506617B (zh) | 2017-09-29 | 2017-09-29 | 半局部社交信息miRNA-疾病关联性预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107506617A CN107506617A (zh) | 2017-12-22 |
| CN107506617B true CN107506617B (zh) | 2020-07-21 |
Family
ID=60699955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710902228.3A Active CN107506617B (zh) | 2017-09-29 | 2017-09-29 | 半局部社交信息miRNA-疾病关联性预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107506617B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108920895B (zh) * | 2018-06-22 | 2020-08-07 | 中南大学 | 一种环状rna与疾病的关联关系预测方法 |
| CN108920903B (zh) * | 2018-07-09 | 2022-04-01 | 湘潭大学 | 基于朴素贝叶斯的LncRNA与疾病的关联关系预测方法及系统 |
| CN109147936B (zh) * | 2018-07-26 | 2021-07-30 | 刘滨 | 基于深度学习的非编码rna与疾病之间关联的预测方法 |
| CN110263780B (zh) | 2018-10-30 | 2022-09-02 | 腾讯科技（深圳）有限公司 | 实现异构图、分子空间结构性质识别的方法、装置和设备 |
| CN111291777B (zh) * | 2018-12-07 | 2023-04-07 | 深圳先进技术研究院 | 一种基于多组学集成的癌症亚型分类方法 |
| CN111681705B (zh) * | 2020-05-21 | 2024-05-24 | 中国科学院深圳先进技术研究院 | 一种miRNA-疾病关联预测方法、系统、终端以及存储介质 |
| CN113205292A (zh) * | 2021-04-25 | 2021-08-03 | 上海优备艾佳供应链管理有限公司 | 物流订单的推荐方法、装置、电子设备及存储介质 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7848890B2 (en) * | 2004-12-08 | 2010-12-07 | Electronics And Telecommunications Research Institute | Method and system for predicting gene pathway using gene expression pattern data and protein interaction data |
| US20080195570A1 (en) * | 2005-03-31 | 2008-08-14 | Koninklijke Philips Electronics, N.V. | System and Method for Collecting Evidence Pertaining to Relationships Between Biomolecules and Diseases |
| CN102855398B (zh) * | 2012-08-28 | 2016-03-02 | 中国科学院自动化研究所 | 基于多源信息融合的疾病潜在关联基因的获取方法 |
| CN104838384B (zh) * | 2012-11-26 | 2018-01-26 | 皇家飞利浦有限公司 | 使用具有患者特异性的相关性评价的变体‑疾病关联性的诊断基因分析 |
| CN106055922A (zh) * | 2016-06-08 | 2016-10-26 | 哈尔滨工业大学深圳研究生院 | 一种基于基因表达数据的混合网络基因筛选方法 |
| CN106096331B (zh) * | 2016-06-12 | 2018-09-18 | 中南大学 | 一种推断lncRNA和疾病联系的方法 |
-
2017
- 2017-09-29 CN CN201710902228.3A patent/CN107506617B/zh active Active
Non-Patent Citations (12)
| Title |
|---|
| "A novel approach based on KATZ measure to predict associations of human microbiota with;Xing Chen等;《Bioinformatics》;20161214;第33卷(第5期);第733-739页 * |
| "A novel approach for predicting microbe-disease associations by bi-random walk on the heterogeneous network";Shuai Zou等;《PLOS ONE》;20170907;第12卷(第9期);第1-16页 * |
| "Computational prediction of human disease-related microRNAs by path-based random walk";Israel Mugunga等;《Oncotarget》;20170419;第8卷(第35期);第58526-58535页 * |
| "Constructing lncRNA functional similarity network based on lncRNA-disease associations and disease semantic similarity";Xing Chen等;《Scientific Reports》;20150610;第1-12页 * |
| "HGIMDA: Heterogeneous graph inference for miRNA-disease association prediction";Xing Chen等;《Oncotarget》;20160812;第7卷(第40期);第65257-65269页 * |
| "microRNA与人类疾病关联的预测方法研究与实现";孟宪伟;《中国优秀硕士学位论文全文数据库 基础科学辑》;20140415;第2014年卷(第4期);A006-10 * |
| "MicroRNA识别及其与疾病关联的预测算法研究";玄萍;《中国博士学位论文全文数据库 基础科学辑》;20140415;第2014年卷(第4期);A006-22 * |
| "PBMDA: A novel and effective path-based computational model for miRNA-disease association prediction";Zhu-Hong You 等;《PLOS Computational Biology》;20170324;第13卷(第3期);第1-22页 * |
| "Predicting lncRNA-disease associations and constructing lncRNA functional similarity network based on the information of miRNA";Xing Chen;《Scientific Reports》;20150817;第1-11页 * |
| "Semi-supervised learning for potential human microRNA-disease associations inference";Xing Chen等;《Scientific Reports》;20140630;第1-10页 * |
| "一种面向社会网络半局部信息的链接预测方法";张园;《万方数据企业知识服务平台》;20150816;第2-3节 * |
| "微RNA与疾病关联关系的研究与实现";都琳睿;《中国优秀硕士学位论文全文数据库 医药卫生科技辑》;20150315;第2015年卷(第3期);E059-106 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107506617A (zh) | 2017-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107506617B (zh) | 半局部社交信息miRNA-疾病关联性预测方法 | |
| CN111653359B (zh) | 一种出血性疾病的智能预测模型构建方法和预测系统 | |
| KR102310487B1 (ko) | 속성 단위 리뷰 분석 장치 및 방법 | |
| JP6414363B2 (ja) | 予測システム、方法およびプログラム | |
| CN113705772A (zh) | 一种模型训练方法、装置、设备及可读存储介质 | |
| CN109783812B (zh) | 基于自注意力机制的中文命名实体识别方法、系统、装置 | |
| CN107220311B (zh) | 一种利用局部嵌入话题建模的文本表示方法 | |
| CN111429977B (zh) | 一种新的基于图结构注意力的分子相似性搜索算法 | |
| JP6954004B2 (ja) | 畳み込みニューラルネットワークモデルの決定装置及び決定方法 | |
| Nguyen et al. | A deep manifold-regularized learning model for improving phenotype prediction from multi-modal data | |
| JP7198408B2 (ja) | 商標情報処理装置及び方法、並びにプログラム | |
| Gabbay et al. | Isolation forests and landmarking-based representations for clustering algorithm recommendation using meta-learning | |
| Schaid et al. | Penalized models for analysis of multiple mediators | |
| CN113204643B (zh) | 一种实体对齐方法、装置、设备及介质 | |
| CN112579794B (zh) | 一种为中英文单词对预测义原树的方法及系统 | |
| CN109492770A (zh) | 一种基于个性化关系排序的属性网络嵌入方法 | |
| CN111488460A (zh) | 数据处理方法、装置和计算机可读存储介质 | |
| CN110910953B (zh) | 一种基于蛋白质-域异构网络的关键蛋白预测方法 | |
| CN112949954B (zh) | 基于识别学习建立财务欺诈识别模型的方法 | |
| CN107533672A (zh) | 模式识别装置、模式识别方法以及程序 | |
| JP6611679B2 (ja) | データ生成方法及び計算機システム | |
| CN112331257A (zh) | 一种基于图卷积神经网络的病毒-宿主相互作用预测方法 | |
| Termritthikun et al. | Evolutionary neural architecture search based on efficient CNN models population for image classification | |
| Gharehchopogh et al. | Automatic data clustering using farmland fertility metaheuristic algorithm | |
| CN107888590A (zh) | 一种基于gpu与贝叶斯网络推理的未知木马的检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yan Chenggang Inventor after: Shao Biyao Inventor after: Liu Bingtao Inventor after: Lv Xiaoquan Inventor after: Yu Linghui Inventor before: Shao Biyao Inventor before: Yan Chenggang Inventor before: Liu Bingtao Inventor before: Lv Xiaoquan Inventor before: Yu Linghui |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20201223 Address after: 314500 Tongxiang, Jiaxing, Zhejiang, Wutong Street East Road (East) 55, Tongxiang chamber of Commerce Building 1 unit 1702, 1703 room -A-218 Patentee after: Jiaxing Baoqiao Machinery Technology Co.,Ltd. Address before: Room 3003-1, building 1, Gaode land center, Jianggan District, Hangzhou City, Zhejiang Province Patentee before: Zhejiang Zhiduo Network Technology Co.,Ltd. Effective date of registration: 20201223 Address after: Room 3003-1, building 1, Gaode land center, Jianggan District, Hangzhou City, Zhejiang Province Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd. Address before: 310018 No. 2 street, Xiasha Higher Education Zone, Hangzhou, Zhejiang Patentee before: HANGZHOU DIANZI University |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20171222 Assignee: Hangzhou Wendian Communication Technology Co.,Ltd. Assignor: Jiaxing Baoqiao Machinery Technology Co.,Ltd. Contract record no.: X2021330000097 Denomination of invention: Semi local social information miRNA disease association prediction method Granted publication date: 20200721 License type: Common License Record date: 20210819 |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221201 Address after: Room 407-10, floor 4, building 2, Haichuang science and technology center, Cangqian street, Yuhang District, Hangzhou City, Zhejiang Province, 311100 Patentee after: Zhejiang Zhiduo Network Technology Co.,Ltd. Address before: 314500 Tongxiang, Jiaxing, Zhejiang, Wutong Street East Road (East) 55, Tongxiang chamber of Commerce Building 1 unit 1702, 1703 room -A-218 Patentee before: Jiaxing Baoqiao Machinery Technology Co.,Ltd. |
|
| EC01 | Cancellation of recordation of patent licensing contract | ||
| EC01 | Cancellation of recordation of patent licensing contract |
Assignee: Hangzhou Wendian Communication Technology Co.,Ltd. Assignor: Jiaxing Baoqiao Machinery Technology Co.,Ltd. Contract record no.: X2021330000097 Date of cancellation: 20231214 |