CN111508612B - 一种基于疾病和文献关联的代谢物预测方法 - Google Patents

一种基于疾病和文献关联的代谢物预测方法 Download PDF

Info

Publication number
CN111508612B
CN111508612B CN202010267147.2A CN202010267147A CN111508612B CN 111508612 B CN111508612 B CN 111508612B CN 202010267147 A CN202010267147 A CN 202010267147A CN 111508612 B CN111508612 B CN 111508612B
Authority
CN
China
Prior art keywords
disease
metabolite
node
metabolites
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
Application number
CN202010267147.2A
Other languages
English (en)
Other versions
CN111508612A (zh
Inventor
王永天
臧天仪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010267147.2A priority Critical patent/CN111508612B/zh
Publication of CN111508612A publication Critical patent/CN111508612A/zh
Application granted granted Critical
Publication of CN111508612B publication Critical patent/CN111508612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于疾病和文献关联的代谢物预测方法。步骤1：构建疾病名称词汇表，利用疾病词汇表进一步扩展疾病本体的应用范围；步骤2：利用已知的疾病相似度计算代谢物的相似度，为关联预测提供支持；步骤3：通过已知疾病以及文献关联相似性的代谢物相似度计算，最终得到疾病相关的代谢物关联网络；步骤4：通过疾病相关的代谢物关联网络进行代谢物预测。本发明实现通过一个新的疾病相关代谢物网络，并利用该网络识别潜在的疾病相关代谢物。

Description

一种基于疾病和文献关联的代谢物预测方法
技术领域
本发明属于生物信息领域技术领域；具体涉及一种基于疾病和文献关联的代谢物预测方法。
背景技术
作为基因型和表型之间的联系，一种代谢物并不总是与单一的疾病相关，某些疾病的影响在网络中功能相关代谢物之间传播。因此，在这个网络中具有功能关联的相邻代谢物往往与相同或相似的疾病相关。疾病术语相似度的计算方法有很多种，但是，尚未有以疾病间的功能相似度为权重，基于协同过滤(CF)的代谢物相似度计算方法。尚未被提出。CF可以有效地利用其他相似成员之间的联系，发现潜在的但尚未发现的兴趣。能够完成个性化推荐，自动化程度高。因此，基于改进的协同过滤可以建立疾病相关代谢物网络(DMN)，利用整个交互网络。然而，完全依赖代谢物相关疾病极大地限制了该方法的应用，因为许多代谢物仍然很少或没有相关疾病。
发明内容
本发明提供一种基于疾病和文献关联的代谢物预测方法，用以解决上述问题，实现通过一个新的疾病相关代谢物网络，并利用该网络识别潜在的疾病相关代谢物。
本发明通过以下技术方案实现：
一种基于疾病和文献关联的代谢物预测方法，所述预测方法包括以下步骤：
步骤1：构建疾病名称词汇表，利用疾病名称词汇表进一步扩展疾病本体的应用范围；
步骤2：利用已知的疾病相似度计算代谢物的相似度，为关联预测提供支持；
步骤3：通过已知疾病以及文献关联相似性的代谢物相似度计算，最终得到疾病相关的代谢物关联网络；
步骤4：通过疾病相关的代谢物关联网络进行代谢物预测。
进一步的，所述步骤1具体包括以下步骤：
步骤1.1：从疾病本体DO提供的本体文件中提取疾病本体DO与MeSH的映射关系，以及疾病本体中疾病术语和其同义词表；
步骤1.2：从疾病术语词汇表MEDIC中提取医学主题词MeSH的疾病术语以及其同义词表；
步骤1.3：通过疾病本体DO与医学主题词MeSH已有的映射关系，对疾病本体DO中的疾病术语同义词部分进行词汇注释；
步骤1.4：利用截至实验阶段所获得的疾病本体DO和疾病术语词汇表MEDIC数据信息，将疾病术语词汇表MEDIC中的82921条词汇注释到疾病本体中，通过疾病本体DO与医学主题词MeSH的映射关系，使疾病本体DO在原有词汇量的基础上扩充45495条词汇；
步骤1.5：用扩充后的疾病术语词汇表MEDIC，对人类代谢组数据库HMDB中代谢物关联的疾病一种基于疾病和文献关联的代谢物预测方法进行注释，以疾病本体DO为统一疾病标识建立代谢物与疾病本体之间的关联。
进一步的，所述步骤2具体为：
步骤2.1：根据已知疾病d与代谢物m之间的关联映射建立疾病d和代谢物m的关联矩阵；
步骤2.2：由于该关联矩阵为0-1矩阵且数据稀疏，所以针对代谢物m与疾病d之间的未知关联，利用疾病d的相似度进行关联度预测；
步骤2.3：利用以疾病d为维度建立的空间向量对代谢物m相似性进行求解，最后构建疾病d相关代谢物m的功能关联网络。
进一步的，所述步骤2.1具体为，所述疾病d与代谢物m之间的关联映射计算公式为：
其中，MD(m)表示与代谢物m相关的疾病术语集合。如果代谢物m和疾病d存在关联，则它们之间的关联度取值为1；若代谢物m与疾病d之间没有关联，初始关联度取值为0。
进一步的，所述步骤2.2具体为，所述代谢物m与疾病d之间的关联度预测的取值计算公式为，
其中，疾病di表示与代谢物m之间关联度为1的疾病集合中的任意一个疾病。
进一步的，所述步骤2.3具体为，所述代谢物m的疾病特征向量计算公式为：
其中，d属于D，mdr(m,dk)为代谢物m与疾病dk的关联度，|D|表示代谢物相关疾病的数量，在得到代谢物m的疾病特征向量之后，对任意两个代谢物的疾病特征向量进行相似度计算；
代谢物m1和m2之间的相似度计算公式为：
其中，diw为疾病相关的代谢物，针对任意两个代谢物，都可以利用以上公式计算出它们之间的相似度。
进一步的，所述步骤3中代谢物的相似度矩阵计算公式为，
DLMS＝I-(I-MDS)*(I-MLS)
其中，I为以1为元的|M|阶矩阵，M为疾病相关代谢物集合，|M|为代谢物集合中元素数量，*表示矩阵的Hadamard积。
进一步的，所述步骤3具体为在得到疾病相关代谢物的相似度矩阵之后，就能以疾病相关代谢物为网络节点，代谢物之间的相似度为节点之间的权重，构成一个基于疾病相似度和文献关联的代谢物的关联网络，通过随机游走模型，以某个代谢物节点为起始点可以完成代谢物网络中所有其他代谢物节点的遍历，通过足够次数的迭代可以得到所有节点针对该代谢物节点的关联得分排名。
进一步的，所述步骤3具体为，代谢物m与疾病d的预测关联得分MDRScore的计算公式
其中，DisM(d)为疾病d的相关代谢物集合，RW(m,mi)表示代谢物mi相对于代谢物m的关联分数。
最终，在疾病相关代谢物关联网络DLMSN中，针对任意一个代谢物就可以得到一组关于所有相关疾病的关联得分。
进一步的，所述随机游走模型具体为：
步骤3.1：利用基于图的重启随机游走算法对网络中任意两点之间关联进行挖掘；
步骤3.2：在功能关联网络R中，从任意一个节点i开始遍历整个网络；
步骤3.3：在一个节点i处，将以概率γ游走到节点i的邻居节点，以1-γ为重启概率回到节点i处；
步骤3.4：每完成一次游走后得出一个概率分布，用该分布作为下一次游走的输入；
步骤3.5：经过一定次数的迭代概率分布会趋于收敛，收敛后得到的概率分布可被看作是受起始节点i影响的概率分布；
步骤3.6：以节点i为起始点，记W＝[w(i,j)]为带有权重的转移矩阵，r＝[ri,j]为n×1的得分向量，其中ri,j为节点i到节点j的关联得分，n为网络中节点的个数，记为n＝|Vr|；
步骤3.7：节点i为起始节点完成一次游走后得出的分布由公式求得：
其中，为节点i的n×1初始向量，第i个元素为1，其他为0；γ为节点之间的跳转概率；W为基因功能关联网络中节点之间的转移矩阵；/>为节点i的得分向量；/>经过一次迭代后节点i对应的新的分向量。
本发明的有益效果是：
本发明有助于减少实验的成本，有效的缩小检测范围。
技术细节上：引入了疾病相似性，解决了在计算代谢物相似度时产生的数据稀疏问题；相比单纯的文献挖掘方法，利用疾病相似度能更好的反应代谢物之间的相似度；预测结果能充分地反映代谢物网络中任意代谢物对整个网络影响程度，而不仅是相邻代谢物节点。
附图说明
图1本发明的方法流程示意图。
图2本发明的随机游走模型示意图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于疾病和文献关联的代谢物预测方法，所述预测方法包括以下步骤：
步骤1：构建疾病名称词汇表，利用疾病名称词汇表进一步扩展疾病本体的应用范围；
步骤2：基于和其他组学数据相比代谢与疾病之间的关系更加直观这一事实，利用已知的疾病相似度计算代谢物的相似度，为关联预测提供支持；
步骤3：通过已知疾病以及文献关联相似性的代谢物相似度计算，最终得到疾病相关的代谢物关联网络；
步骤4：通过疾病相关的代谢物关联网络进行代谢物预测，即通过网络中的已知关联推测未知关联。
进一步的，所述步骤1具体包括以下步骤：
步骤1.1：从疾病本体DO提供的本体文件中提取疾病本体DO与MeSH的映射关系，以及疾病本体中疾病术语和其同义词表；
步骤1.2：从疾病术语词汇表MEDIC中提取医学主题词MeSH(medical subjectheadings)的疾病术语以及其同义词表；
步骤1.3：通过疾病本体DO与医学主题词MeSH已有的映射关系，对疾病本体DO中的疾病术语同义词部分进行词汇注释，以达到词汇量扩充的目的；
步骤1.4：利用截至实验阶段所获得的疾病本体DO和疾病术语词汇表MEDIC数据信息，将疾病术语词汇表MEDIC中的82921条词汇注释到疾病本体中，通过疾病本体DO与医学主题词MeSH的映射关系，使疾病本体DO在原有词汇量的基础上扩充45495条词汇；
步骤1.5：用扩充后的疾病术语词汇表MEDIC，对人类代谢组数据库HMDB(humanmetabolome database)中代谢物关联的疾病一种基于疾病和文献关联的代谢物预测方法进行注释，以疾病本体DO为统一疾病标识建立代谢物与疾病本体之间的关联。
进一步的，所述步骤2具体为：
步骤2.1：根据已知疾病d与代谢物m之间的关联映射建立疾病d和代谢物m的关联矩阵；
步骤2.2：由于该关联矩阵为0-1矩阵且数据稀疏，所以针对代谢物m与疾病d之间的未知关联，利用疾病d的相似度进行关联度预测；
步骤2.3：利用以疾病d为维度建立的空间向量对代谢物m相似性进行求解，最后构建疾病d相关代谢物m的功能关联网络。
进一步的，所述步骤2.1具体为，所述疾病d与代谢物m之间的关联映射计算公式为：
其中，MD(m)表示与代谢物m相关的疾病术语集合。如果代谢物m和疾病d存在关联，则它们之间的关联度取值为1；若代谢物m与疾病d之间没有关联，初始关联度取值为0。
进一步的，所述步骤2.2具体为，所述代谢物m与疾病d之间的关联度预测的取值计算公式为，
其中，疾病di表示与代谢物m之间关联度为1的疾病集合中的任意一个疾病。
进一步的，所述步骤2.3具体为，所述代谢物m的疾病特征向量计算公式为：
其中，d属于D，mdr(m,dk)为代谢物m与疾病dk的关联度，|D|表示代谢物相关疾病的数量，在得到代谢物m的疾病特征向量之后，对任意两个代谢物的疾病特征向量进行相似度计算；
代谢物m1和m2之间的相似度计算公式为：
其中，diw为疾病相关的代谢物，针对任意两个代谢物，都可以利用以上公式计算出它们之间的相似度。
进一步的，所述步骤3中代谢物的相似度矩阵计算公式为，
DLMS＝I-(I-MDS)*(I-MLS)
其中，I为以1为元的|M|阶矩阵，M为疾病相关代谢物集合，|M|为代谢物集合中元素数量，*表示矩阵的Hadamard积。
进一步的，所述步骤3具体为在得到疾病相关代谢物的相似度矩阵之后，就能以疾病相关代谢物为网络节点，代谢物之间的相似度为节点之间的权重，构成一个基于疾病相似度和文献关联的代谢物的关联网络(Disease and Literature drived MetaboliteSimilarity Network,DLMSN)，通过随机游走模型，以某个代谢物节点为起始点可以完成代谢物网络中所有其他代谢物节点的遍历，通过足够次数的迭代可以得到所有节点针对该代谢物节点的关联得分排名。
进一步的，所述步骤3具体为，代谢物m与疾病d的预测关联得分MDRScore的计算公式
其中，DisM(d)为疾病d的相关代谢物集合，RW(m,mi)表示代谢物mi相对于代谢物m的关联分数。
最终，在疾病相关代谢物关联网络DLMSN中，针对任意一个代谢物就可以得到一组关于所有相关疾病的关联得分。
进一步的，所述随机游走模型具体为：
步骤3.1：利用基于图的重启随机游走算法对网络中任意两点之间关联进行挖掘；
步骤3.2：在功能关联网络R中，从任意一个节点i开始遍历整个网络；
步骤3.3：在一个节点i处，将以概率γ游走到节点i的邻居节点，以1-γ为重启概率回到节点i处；
步骤3.4：每完成一次游走后得出一个概率分布，用该分布作为下一次游走的输入；
步骤3.5：经过一定次数的迭代概率分布会趋于收敛，收敛后得到的概率分布可被看作是受起始节点i影响的概率分布；
步骤3.6：以节点i为起始点，记W＝[w(i,j)]为带有权重的转移矩阵，r＝[ri,j]为n×1的得分向量，其中ri,j为节点i到节点j的关联得分，n为网络中节点的个数，记为n＝|Vr|；
步骤3.7：节点i为起始节点完成一次游走后得出的分布由公式求得：
其中，为节点i的n×1初始向量，第i个元素为1，其他为0；γ为节点之间的跳转概率；W为基因功能关联网络中节点之间的转移矩阵；/>为节点i的得分向量；/>经过一次迭代后节点i对应的新的分向量。
随机游走算法输出的是疾病与代谢物关联度排名，代谢物排名越靠前，与疾病关联可能性越高。
实施例2
首先，对实验数据进行预处理，从实验数据源中提取疾病术语集，通过同义词映射构建疾病术语词汇表，再根据已构建的疾病词汇表和已知疾病与代谢物的关联，构建疾病本体标识与代谢物之间的映射关系；基于疾病与代谢物之间的映射关系，利用代谢物相关疾病的相似度对代谢物的疾病关联向量进行预测，并对代谢物的功能相似度进行计算；同时，利用代谢物的文献关联得分可以定义代谢物之间的文献关联相似性；最后，通过结合代谢物之间的功能相似度与文献关联得分，利用疾病相关代谢物的关联关系构建代谢物关联网络，并利用随机游走模型对疾病与代谢物的潜在关联进行预测。

Claims (5)

1.一种基于疾病和文献关联的代谢物预测方法，其特征在于，所述预测方法包括以下步骤：
步骤1：构建疾病名称词汇表，利用疾病名称词汇表进一步扩展疾病本体的应用范围；
步骤2：利用已知的疾病相似度计算代谢物的相似度，为关联预测提供支持；
步骤3：通过已知疾病以及文献关联相似性的代谢物相似度计算，最终得到疾病相关的代谢物关联网络；
步骤4：通过疾病相关的代谢物关联网络进行代谢物预测；
所述步骤2具体为：
步骤2.1：根据已知疾病d与代谢物m之间的关联映射建立疾病d和代谢物m的关联矩阵；
步骤2.2：由于该关联矩阵为0-1矩阵且数据稀疏，所以针对代谢物m与疾病d之间的未知关联，利用疾病d的相似度进行关联度预测；
步骤2.3：利用以疾病d为维度建立的空间向量对代谢物m相似性进行求解，最后构建疾病d相关代谢物m的功能关联网络；
所述步骤2.1具体为，所述疾病d与代谢物m之间的关联映射计算公式为：
其中，MD(m)表示与代谢物m相关的疾病术语集合；如果代谢物m和疾病d存在关联，则它们之间的关联度取值为1；若代谢物m与疾病d之间没有关联，初始关联度取值为0；
所述步骤2.2具体为，所述代谢物m与疾病d之间的关联度预测的取值计算公式为，
其中，疾病di表示与代谢物m之间关联度为1的疾病集合中的任意一个疾病；
所述步骤2.3具体为，所述代谢物m的疾病特征向量计算公式为：
其中，d属于D，mdr(m,dk)为代谢物m与疾病dk的关联度，|D|表示代谢物相关疾病的数量，在得到代谢物m的疾病特征向量之后，对任意两个代谢物的疾病特征向量进行相似度计算；
代谢物m1和m2之间的相似度计算公式为：
其中，di为疾病相关的代谢物；
所述步骤3具体为在得到疾病相关代谢物的相似度矩阵之后，就能以疾病相关代谢物为网络节点，代谢物之间的相似度为节点之间的权重，构成一个基于疾病相似度和文献关联的代谢物的关联网络通过随机游走模型，以某个代谢物节点为起始点可以完成代谢物网络中所有其他代谢物节点的遍历，通过足够次数的迭代可以得到所有节点针对该代谢物节点的关联得分排名。
2.根据权利要求1所述一种基于疾病和文献关联的代谢物预测方法，其特征在于，所述步骤1具体包括以下步骤：
步骤1.1：从疾病本体DO提供的本体文件中提取疾病本体DO与医学主题词MeSH的映射关系，以及疾病本体中疾病术语和其同义词表；
步骤1.2：从疾病术语词汇表MEDIC中提取医学主题词MeSH的疾病术语以及其同义词表；
步骤1.3：通过疾病本体DO与医学主题词MeSH已有的映射关系，对疾病本体DO中的疾病术语同义词部分进行词汇注释；
步骤1.4：利用截至实验阶段所获得的疾病本体DO和疾病术语词汇表MEDIC数据信息，将疾病术语词汇表MEDIC中的82921条词汇注释到疾病本体中，通过疾病本体DO与医学主题词MeSH的映射关系，使疾病本体DO在原有词汇量的基础上扩充45495条词汇；
步骤1.5：用扩充后的疾病术语词汇表MEDIC，对人类代谢组数据库HMDB中代谢物关联的疾病名称进行注释，以疾病本体DO为统一疾病标识建立代谢物与疾病本体之间的关联。
3.根据权利要求1所述一种基于疾病和文献关联的代谢物预测方法，其特征在于，所述步骤3中代谢物的相似度矩阵计算公式为，
DLMS＝I-(I-MDS)*(I-MLS)
其中，I为以1为元的|M|阶矩阵，M为疾病相关代谢物集合，|M|为代谢物集合中元素数量，*表示矩阵的Hadamard积。
4.根据权利要求1所述一种基于疾病和文献关联的代谢物预测方法，其特征在于，所述步骤3具体为，代谢物m与疾病d的预测关联得分MDRScore的计算公式
其中，DisM(d)为疾病d的相关代谢物集合，RW(m,mi)表示代谢物mi相对于代谢物m的关联分数；
最终，在疾病相关代谢物关联网络DLMSN中，针对任意一个代谢物就可以得到一组关于所有相关疾病的关联得分。
5.根据权利要求1所述一种基于疾病和文献关联的代谢物预测方法，其特征在于，所述随机游走模型具体为：
步骤3.1：利用基于图的重启随机游走算法对网络中任意两点之间关联进行挖掘；
步骤3.2：在功能关联网络R中，从任意一个节点i开始遍历整个网络；
步骤3.3：在一个节点i处，将以概率γ游走到节点i的邻居节点，以1-γ为重启概率回到节点i处；
步骤3.4：每完成一次游走后得出一个概率分布，用该分布作为下一次游走的输入；
步骤3.5：经过一定次数的迭代概率分布会趋于收敛，收敛后得到的概率分布可被看作是受起始节点i影响的概率分布；
步骤3.6：以节点i为起始点，记W＝[w(i,j)]为带有权重的转移矩阵，r＝[ri,j]为n×1的得分向量，其中ri,j为节点i到节点j的关联得分，n为网络中节点的个数，记为n＝|Vr|；
步骤3.7：节点i为起始节点完成一次游走后得出的分布由公式求得：
其中，为节点i的n×1初始向量，第i个元素为1，其他为0；γ为节点之间的跳转概率；W为基因功能关联网络中节点之间的转移矩阵；/>为节点i的得分向量；/>经过一次迭代后节点i对应的新的分向量。
CN202010267147.2A 2020-04-08 2020-04-08 一种基于疾病和文献关联的代谢物预测方法 Active CN111508612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010267147.2A CN111508612B (zh) 2020-04-08 2020-04-08 一种基于疾病和文献关联的代谢物预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010267147.2A CN111508612B (zh) 2020-04-08 2020-04-08 一种基于疾病和文献关联的代谢物预测方法

Publications (2)

Publication Number Publication Date
CN111508612A CN111508612A (zh) 2020-08-07
CN111508612B true CN111508612B (zh) 2023-09-22

Family

ID=71864904

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010267147.2A Active CN111508612B (zh) 2020-04-08 2020-04-08 一种基于疾病和文献关联的代谢物预测方法

Country Status (1)

Country Link
CN (1) CN111508612B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101989297A (zh) * 2009-07-30 2011-03-23 陈越 用于计算机上的疾病基因相关药物发掘系统
CN102100706A (zh) * 2009-12-18 2011-06-22 中国科学院大连化学物理研究所 一种应用代谢组学对中成药质量评价的方法
JP2016003865A (ja) * 2014-06-13 2016-01-12 株式会社島津製作所 代謝物解析システム及び代謝物解析方法
CN107610784A (zh) * 2017-09-15 2018-01-19 中南大学 一种预测微生物和疾病关系的方法
KR20190000166A (ko) * 2017-06-22 2019-01-02 한국과학기술원 인체 대사 물질과의 유사도 기반 약물 재창출 후보 예측 방법 및 그 시스템
CN110060741A (zh) * 2019-04-29 2019-07-26 哈尔滨工业大学 基于JavaScript的交互式网页生物大数据可视化方法
CN110349619A (zh) * 2019-01-17 2019-10-18 哈尔滨工业大学 基于相似度计算的疾病与代谢物网络构建方法
WO2019202728A1 (ja) * 2018-04-20 2019-10-24 ヒューマン・メタボローム・テクノロジーズ株式会社 データ解析装置及びデータ解析方法
CN110610763A (zh) * 2019-09-10 2019-12-24 陕西师范大学 基于katz模型的代谢物与疾病关联关系预测方法
CN110610765A (zh) * 2019-09-10 2019-12-24 陕西师范大学 采用双随机游走预测疾病相关代谢物的方法
CN110957004A (zh) * 2019-11-28 2020-04-03 长沙学院 一种基于随机游走目标收敛集技术预测潜在的lncRNA疾病方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10573406B2 (en) * 2013-01-15 2020-02-25 Metabolon, Inc. Method, apparatus and computer program product for metabolomics analysis

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101989297A (zh) * 2009-07-30 2011-03-23 陈越 用于计算机上的疾病基因相关药物发掘系统
CN102100706A (zh) * 2009-12-18 2011-06-22 中国科学院大连化学物理研究所 一种应用代谢组学对中成药质量评价的方法
JP2016003865A (ja) * 2014-06-13 2016-01-12 株式会社島津製作所 代謝物解析システム及び代謝物解析方法
KR20190000166A (ko) * 2017-06-22 2019-01-02 한국과학기술원 인체 대사 물질과의 유사도 기반 약물 재창출 후보 예측 방법 및 그 시스템
CN107610784A (zh) * 2017-09-15 2018-01-19 中南大学 一种预测微生物和疾病关系的方法
WO2019202728A1 (ja) * 2018-04-20 2019-10-24 ヒューマン・メタボローム・テクノロジーズ株式会社 データ解析装置及びデータ解析方法
CN110349619A (zh) * 2019-01-17 2019-10-18 哈尔滨工业大学 基于相似度计算的疾病与代谢物网络构建方法
CN110060741A (zh) * 2019-04-29 2019-07-26 哈尔滨工业大学 基于JavaScript的交互式网页生物大数据可视化方法
CN110610763A (zh) * 2019-09-10 2019-12-24 陕西师范大学 基于katz模型的代谢物与疾病关联关系预测方法
CN110610765A (zh) * 2019-09-10 2019-12-24 陕西师范大学 采用双随机游走预测疾病相关代谢物的方法
CN110957004A (zh) * 2019-11-28 2020-04-03 长沙学院 一种基于随机游走目标收敛集技术预测潜在的lncRNA疾病方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张硕 ; 商洪才 ; .中医疾病证候与组学的相关性研究现状.中西医结合学报.2011,(12),第1286-1289页. *
杨月嫦.《中国博士学位论文全文数据库(医药卫生科技辑)》.中国学术期刊（光盘版）电子杂志社,2017,E070-20. *

Also Published As

Publication number Publication date
CN111508612A (zh) 2020-08-07

Similar Documents

Publication Publication Date Title
CN113535984B (zh) 一种基于注意力机制的知识图谱关系预测方法及装置
WO2023000574A1 (zh) 一种模型训练方法、装置、设备及可读存储介质
Yan et al. Bright: A bridging algorithm for network alignment
Su et al. Attention-based knowledge graph representation learning for predicting drug-drug interactions
CN110516146B (zh) 一种基于异质图卷积神经网络嵌入的作者名字消歧方法
CN113140254B (zh) 元学习药物-靶点相互作用预测系统及预测方法
US8977650B2 (en) Scalable summarization of data graphs
CN112015868B (zh) 基于知识图谱补全的问答方法
CN111554360A (zh) 基于生物医学文献和领域知识数据的药物重定位预测方法
CN114065048B (zh) 基于多异构图图神经网络的物品推荐方法
CN113409892B (zh) 基于图神经网络的miRNA-疾病关联关系预测方法
CN113535974A (zh) 诊断推荐方法及相关装置、电子设备、存储介质
CN109767817B (zh) 一种基于神经网络语言模型的药物潜在不良反应发现方法
CN108427756B (zh) 基于同类用户模型的个性化查询词补全推荐方法和装置
CN116403730A (zh) 一种基于图神经网络的药物相互作用预测方法及系统
CN115270007A (zh) 一种基于混合图神经网络的poi推荐方法及系统
CN112131403B (zh) 一种动态环境下的知识图谱表示学习方法
CN109919198A (zh) 一种重启式随机游走的新型网络嵌入学习方法
Ma et al. NinimHMDA: neural integration of neighborhood information on a multiplex heterogeneous network for multiple types of human microbe–disease association
Zhao et al. Interactive attention networks for semantic text matching
CN117574915A (zh) 基于多方数据源的公共数据平台及其数据分析方法
CN106844338B (zh) 基于属性间依赖关系的网络表格的实体列的检测方法
CN111508612B (zh) 一种基于疾病和文献关联的代谢物预测方法
CN111782818A (zh) 生物医疗知识图谱的构建装置、方法、系统及存储器
Goldman Conceptualizing the interdisciplinary diffusion and evolution of emerging fields: The case of systems biology

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
GR01 Patent grant
GR01 Patent grant