CN112183837A - 一种基于自编码模型的miRNA与疾病关联关系预测方法 - Google Patents
一种基于自编码模型的miRNA与疾病关联关系预测方法 Download PDFInfo
- Publication number
- CN112183837A CN112183837A CN202010999278.XA CN202010999278A CN112183837A CN 112183837 A CN112183837 A CN 112183837A CN 202010999278 A CN202010999278 A CN 202010999278A CN 112183837 A CN112183837 A CN 112183837A
- Authority
- CN
- China
- Prior art keywords
- disease
- mirna
- similarity matrix
- model
- self
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Abstract
本发明公开了一种基于自编码模型的miRNA与疾病关联关系预测方法,通过融合的疾病相似性矩阵和miRNA相似性矩阵,设计疾病模型和miRNA模型,自动学习高维稠密特征表示,具有丰富的语义信息。本发明的一种基于自编码模型的预测方法,无需负样本信息,利用已知miRNA‑疾病关联关系在特征空间的表示训练模型,能够非常准确并鲁棒地预测疾病相关miRNA,可以为下一步生物学实验验证提供重要的指导,大大节省人力、财力和时间花销。
Description
技术领域
本发明属于生物信息领域,涉及一种基于自编码模型的miRNA与疾病关联关系预测方法。
背景技术
人类细胞中含有大量微小核糖核酸(miRNA),这是一种长度约为22微米(核苷酸)的内源性非编码RNA,影响转录后水平上基因表达,并参与各种生物过程的调节,如细胞增殖、细胞分裂和细胞死亡。自从Lee等人在1993年首次发现miRNA(lin-4)以来,从植物到动物的各种生物体中都发现了大量的miRNA。研究表明,miRNA与人类疾病的发生和发展密切相关,包括乳腺肿瘤、肝肿瘤和肺肿瘤等。因此,miRNA可被视为有用的生物标记物,特别是在疾病诊断和干预方面。进一步显示了识别miRNA与疾病的关联关系的重要作用。早期使用生物学实验的方法,通过大量的生物实验来识别与疾病相关的miRNA,会导致实验成本高昂,费时费力,容易失败。因此,使用计算模型的方法如何准确有效的预测和分析潜在miRNA和疾病关联,已成为一个亟待解决的问题,近年来越来越受到专家学者关注,是当前研究的热点问题。
研究表明,功能相似的miRNA可能与类似的疾病有关,反之亦然。通过构建复杂网络、集成多个生物数据、机器学习或结合上述算法,研究人员开发了许多模型来预测miRNA和疾病关联。Jiang等人通过靶基因计算miRNA功能相似性和疾病表型相似性,根据超几何分布预测潜在的miRNA和疾病关联。Shi等人通过构建miRNA靶基因,疾病基因,以及蛋白质-蛋白质相互作用(PPI)网络预测miRNA-疾病关联。Xu等人提取基于miRNA目标网络的功能,通过支持向量机(SVM)分类器区分正负样本。You等人提出了一种基于网络路径的模型来预测miRNA与疾病之间的潜在关联,引入高斯核相似性来补充miRNA功能相似性和疾病相似性,并结合已知的miRNA-疾病相关性构建异质图。提出深度优先搜索算法,遍历特定疾病与图中miRNA顶点之间的所有路径,计算相似度评分。Chen等人开发了一种基于受限玻尔兹曼机模型预测miRNA-疾病关联。Peng等人引入靶基因信息,构建miRNA-基因和疾病-基因的三层网络,并用自编码器来提取疾病和miRNA的特征,然后构建CNN模型来预测与疾病关的miRNA。Xuan等人提出了基于双路卷积神经网络(CNN)的预测模型,使用两个CNN模型从原始结构和全局网络中提取特征,而全局网络是通过非负矩阵分解方法得到的miRNA和疾病的低维特征。最后的预测结果是把这两个部分结合在一起。
尽管上述方法均取得了不错的性能,但还存在一些问题和缺陷,还有进一步提升的空间。大多数深度学习方法都把该任务看作是一个监督学习问题。然而,已知的miRNA与疾病关联矩阵非常稀疏且不均衡,这类方法把已知关系当作正样本。由于缺乏负样本,获取这些负样本的方式,无论是使用未知关联还是随机构造都不准确,这使得训练的模型很难获得良好预测性能。其次,疾病和miRNA的特征表示方面,之前的方法无论是用矩阵分解的方法得到低秩特征,还是直接使用疾病相似性中一行(或列)来表示,都不够准确。
发明内容
为了解决现有技术中存在的问题,本发明提供一种基于自编码模型的miRNA与疾病关联关系预测方法,解决现有技术中预测miRNA和疾病关联的方法不够准确的问题。
本发明的技术方案为:
一种基于自编码模型的miRNA与疾病关联关系预测方法,步骤如下:
1)针对疾病语义相似性矩阵以及miRNA功能相似矩阵的稀疏性问题,结合高斯核相似性矩阵,提出带权重参数的融合疾病相似性矩阵和miRNA相似性矩阵;
2)针对疾病和miRNA的特征表示问题,提出了一种基于距离度量的模型,从疾病相似性矩阵和miRNA相似性矩阵中学习到每种疾病和miRNA的高维特征;
3)针对已知miRNA和疾病关联关系中缺少负样本,设计了基于自编码模型的miRNA和疾病关系学习模型;
4)针对某一疾病,通过训练的自编码模型计算所有miRNA和该疾病的自编码重构误差,根据该误差预测与疾病关联性高的未知miRNA。
其中,步骤1)进一步细化为:根据疾病DAG图计算疾病语义相似性矩阵SS,其中SS(di,dj)代表疾病di和dj之间的语义相似性分值;根据已知miRNA和疾病关系,计算疾病高斯核相似性矩阵KD,其中KD(di,dj)代表疾病di和dj之间的高斯相似性分值;则融合的疾病相似性矩阵SD表示为:
SD(di,dj)=αSS(di,dj)+(1-α)KD(di,dj)
其中,α表示权重参数,最终的疾病矩阵SD和疾病语义相似性矩阵SS以及高斯核相似性矩阵KD维度相同;
同理,根据miRNA功能相似性矩阵FS和高斯核相似性矩阵KM,计算出融合的miRNA相似性矩阵SM:
SM(mi,mj)=βFS(mi,mj)+(1-β)KM(mi,mj)
其中,β表示权重参数,最终的miRNA矩阵FS和miRNA功能相似性矩阵FS以及高斯核相似性矩阵KM维度相同;
最终,运用5折交叉验证的方法来选择预测性能最好的权重参数α和β。
其中,kd表示每个疾病的维度,nd表示所有疾病数量,其中D初始化为服从均匀分布[-0.1,0.1]的随机值;
其中,SD′表示学习到的疾病相似性,已知疾病矩阵相似性SD作为标签,这里用余弦距离来度量疾病之间的相似性。则疾病模型的损失函数定义为:
其中,Nd=nd*(nd-1)/2表示训练样本的数量,nd代表所有疾病的数量,采用最小化均方误差来训练模型,最终得到疾病的特征表示;
同理,miRNA的特征表示M表示为:
其中,km表示每个疾病的维度,nm表示所有miRNA数量,M初始化为服从均匀分布[-0.1,0.1]的采样的随机值;
miRNA的特征表示M可以通过如下公式计算出:
其中,Nm=nm*(nm-1)/2表示训练样本的数量,nm代表所有miRNA的数量,采用最小化均方误差来训练模型,最终得到miRNA的特征表示。
步骤3)进一步细化为,提出miRNA和疾病关系的自编码模型,对已知miRNA和疾病关系,运用训练得到的向量表示构造拼接向量进行训练;对于编码器部分定义为:
其中,L代表编码器隐藏层层数,表示第f个样本在第l层的表示,表示第f个样本的输入,表示为kd和km分别是疾病和miRNA特征维度;zi代表编码器的输出,即隐编码,Wl和bl代表l层的编码器参数和偏置,fe表示非线性激活函数,采用relu(·)=max(0,·)
相应地,对于解码器定义为:
最终,自编码模型的损失函数定义为:
其中,N表示样本数量,即已知miRNA和疾病关系数量,λ为正则项系数,Jh(xi)表示雅可比正则项。
步骤4)进一步细化为:步骤1、步骤2得到所有疾病和miRNA的特征表示D和M,针对某个疾病,首先从特征表示D和M中获取该疾病和所有miRNA的向量表示,然后运用步骤3训练模型,计算重构误差:
其中,li表示第i个miRNA和该疾病的重构误差,对所有重构误差进行排序,
进而得到按照概率从高到低排列的与该疾病有关联的miRNA。
与已有技术相比,本发明的有益效果体现在:
本发明从miRNA-疾病关联关系的本质出发,分析了预测中存在的问题的原因,有效提出了特征学习的方法,构建模型从融合的疾病相似性矩阵和miRNA相似性矩阵中学习疾病和miRNA的稠密特征表示。同时,提出了无需负样本的miRNA-疾病关联关系预测模型。本发明能够鲁棒的、准确的预测潜在的与疾病相关的miRNA。通过留一验证和五折验证,对应的AUC指标优于其他方法。本发明预测出来的高概率miRNA-疾病关联关系,可以指导接下来的生物学实验验证,节省人力、财力和时间花销。同时对疾病诊断和治疗也具有很重要的参考和研究价值。
附图说明
图1本发明的模型框图:(a)疾病特征学习模型;(b)miRNA特征学习模型;(c)预测疾病和miRNA关联关系的自编码器模型;
图2基于自编码模型的疾病和miRNA关联关系预测示意图;
图3在不同参数选择下,疾病模型和miRNA模型的平均训练损失图;
图4在不同参数选择下,五折交叉验证试验获得的预测性能AUC指标;
图5在五折交叉验证下,本发明方法和其他方法获得的AUC指标比较结果;
图6在留一交叉验证下,本发明方法与其他方法获得的AUC指标比较结果。
具体实施方式
下面通过结合本发明实施中的附图,说明本发明提出的基于自编码模型的miRNA与疾病关联关系预测方法的实施过程。
1:构造数据,如图1(a)和图1(b)所示。
从HMDD(人类miRNA和疾病数据库)下载已知miRNA-疾病关系,转换成矩阵这里nd和nm分别表示疾病和miRNA数量;根据Mesh数据库疾病-疾病关系的有向无环图(DAG)计算疾病语义相似性矩阵其中SS(di,dj)代表疾病di和dj之间的语义相似性分值;根据已知miRNA和疾病关系A,计算疾病高斯核相似性矩阵KD,其中KD(di,dj)代表疾病di和dj之间的高斯相似性分值;根据已知miRNA和疾病关系A计算出miRNA功能相似性矩阵 同时计算高斯核相似性矩阵KM。
2:提出带权重参数的融合疾病相似性矩阵和miRNA相似性矩阵,如图1(a)和图1(b)所示。
融合的疾病相似性矩阵SD表示为:
SD(di,dj)=αSS(di,dj)+(1-α)KD(di,dj)
其中,α表示权重参数,最终的疾病相似性矩阵SD和疾病语义相似性矩阵SS以及高斯核相似性矩阵KD维度相同。同理,融合的miRNA相似性矩阵SM:
SM(mi,mj)=βFS(mi,mj)+(1-β)KM(mi,mj)
其中,β表示权重参数,最终的miRNA矩阵FS和miRNA功能相似性矩阵FS以及高斯核相似性矩阵KM维度相同。
3:设计模型,分别学习miRNA和疾病的特征,如图1(a)和图1(b)所示。
其中,kd表示每个疾病的维度,nd表示所有疾病数量。在本发明中,D初始化为服从均匀分布[-0.1,0.1]的随机值。
其中,SD′表示学习到的疾病相似性,已知疾病矩阵相似性SD作为标签,这里用余弦距离来度量疾病之间的相似性。则疾病模型的损失函数定义为:
其中,Nd=nd*(nd-1)/2表示训练样本的数量,nd代表所有疾病的数量。在本发明中,采用最小化均方误差来训练模型,最终得到疾病的特征表示。
同理,miRNA的特征表示M表示为:
其中,km表示每个疾病的维度,nm表示所有miRNA数量。在本发明中,M初始化为服从均匀分布[-0.1,0.1]的随机值。
miRNA的特征表示M可以通过如下公式计算出:
其中,Nm=nm*(nm-1)/2表示训练样本的数量,nm代表所有miRNA的数量。在本发明中,采用最小化均方误差来训练模型,最终得到miRNA的特征表示。
4:设计miRNA-疾病关联关系预测模型,如图1(c)和图2所示。
首先,对已知miRNA和疾病关系,运用训练得到的向量表示构造拼接向量进行模型训练。对于模型编码器部分定义为:
其中,L代表编码器隐藏层层数,表示第i个样本在第l层的表示,表示第i个样本的输入,表示为kd和km分别是疾病和miRNA特征维度;zi代表编码器的输出,即隐编码,Wl和bl代表l层的编码器参数和偏置,fe表示非线性激活函数,在本发明中,采用relu(·)=max(0,·)
相应地,对于解码器定义为:
最终,预测模型的损失函数定义为:
其中,N表示样本数量,即已知miRNA和疾病关系数量,λ为正则项系数,Jh(xi)表示雅可比正则项。在本发明中,λ取1e-2。
5:验证α和β对融合疾病相似性矩阵SD和miRNA相似性矩阵SD的影响,如图3和图4所示。
我们首先定义间隔0.1,范围从0.0到1.0的11个数,然后设置α和β分别为这些数值,以训练不同的疾病和miRNA模型。各模型的训练损失如如图3所示。在相同设置和训练,疾病模型在α=0时损失最小,而miRNA模型在β=0时也显示最佳结果。这一结果表明疾病模型和miRNA模型仅仅使用高斯核相似性,获得最好的收敛效果,而融合的相似性来自于两个不同的分布。为了进一步验证α和β对预测性能的影响,本发明还对每组α和β的不同取值训练了121个自编码预测模型,然后用五折交叉验证计算各个模型的AUC值。如图4所示,α和β分别设置为0.3和0.2时,模型获得最好的预测能力。
6:验证本发明的预测性能,如图5和图6所示。
为使本发明的效果具有可比性,我们分别采用了五折交叉验证和留一交叉验证的方式,选择同样的训练用已知miRNA-疾病关联关系数据库HMDD 2.0,与之前一些计算模型作比较。其中,五折交叉验证对已知的所有miRNA-疾病关联随机分为5个相等数量的组,其中4组依次作为训练样本,其余组作为检验样本;为了公平比较,对于每个回合,我们用训练样本训练自动编码器。留一交叉验证则每次选择一个已知miRNA-样本进行测试,其余样本作为训练样本;同样,为了公平比较,对于每个回合,我们相应地训练了一个自动编码器。这两种验证方式下,本发明分别计算了测试样本和未知样本的重建误差,并进行排序。
如图5留一验证所示,本发明方法取得的AUC指标为为0.9410,而其他方法SACMDA、ICFMDA、GRL21NMF和IMCMDA模型的AUC分别为0.8770、0.9067、0.9276和0.8375。
如图6五折验证所示,本发明方法取得的AUC指标为0.9383,而其他方法SACMDA、ICFMDA、GRL21NMF和IMCMDA模型的AUC分别为0.8763、0.9045、0.9276和0.8330。
以上验证实验表明,本发明预测方法准确性明显优于其他模型。
7:为进一步展示本发明的预测性能,以恶性胶质瘤(GBM)为例,进一步验证本发明的预测性能,如表1所示。
表1.前50项与GBM关联的miRNA.
I,II,III represent HMDD v2.0,HMDD v3.2,and dbDEMC v2.0.
实验中仅使用HMDD 2.0中的样本进行训练。然后分别在HMDD 2.0、HMDD 3.2和dbDEMC 2.0数据集上验证。
GBM是最具侵袭性的癌症;这些肿瘤开始于大脑内部,并伴有非特异性症状,如头痛和恶心,这些症状可能会迅速恶化。典型的存活时间为12到15个月,大多数病例的病因尚不清楚。首先,利用HMDD 2.0数据库训练本发明中提出的预测模型。然后,根据重建误差进行排名,选取预测的前50个miRNA,如表1所示。在前50项预测中,分别有49项、50项和31项分别在HMDD 2.0、HMDD 3.2和dbDEMC 2.0中得到验证。
此外,在HMDD 2.0中,有96个miRNA与GBM相关,其中85个发生在我们的预测中(在补充数据中)。在我们预测的11个不在HMDD 2.0中的关联miRNA,有6个在HMDD 3.2中被证实。
Claims (5)
1.一种基于自编码模型的miRNA与疾病关联关系预测方法,其特征是,步骤如下:
1)针对疾病语义相似性矩阵以及miRNA功能相似矩阵的稀疏性问题,结合高斯核相似性矩阵,提出带权重参数的融合疾病相似性矩阵和miRNA相似性矩阵;
2)针对疾病和miRNA的特征表示问题,提出了一种基于距离度量的模型,从疾病相似性矩阵和miRNA相似性矩阵中学习到每种疾病和miRNA的高维特征;
3)针对已知miRNA和疾病关联关系中缺少负样本,设计了基于自编码模型的miRNA和疾病关系学习模型;
4)针对某一疾病,通过训练的自编码模型计算所有miRNA和该疾病的自编码重构误差,根据该误差预测与疾病关联性高的未知miRNA。
2.如权利要求1所述的基于自编码模型的miRNA与疾病关联关系预测方法,其特征是,其中,步骤1)进一步细化为:根据疾病DAG图计算疾病语义相似性矩阵SS,其中SS(di,dj)代表疾病di和dj之间的语义相似性分值;根据已知miRNA和疾病关系,计算疾病高斯核相似性矩阵KD,其中KD(di,dj)代表疾病di和dj之间的高斯相似性分值;则融合的疾病相似性矩阵SD表示为:
SD(di,dj)=αSS(di,dj)+(1-α)KD(di,dj)
其中,α表示权重参数,最终的疾病矩阵SD和疾病语义相似性矩阵SS以及高斯核相似性矩阵KD维度相同;
同理,根据miRNA功能相似性矩阵FS和高斯核相似性矩阵KM,计算出融合的miRNA相似性矩阵SM:
SM(mi,mj)=βFS(mi,mj)+(1-β)KM(mi,mj)
其中,β表示权重参数,最终的miRNA矩阵FS和miRNA功能相似性矩阵FS以及高斯核相似性矩阵KM维度相同;
最终,运用5折交叉验证的方法来选择预测性能最好的权重参数α和β。
3.如权利要求1所述的基于自编码模型的miRNA与疾病关联关系预测方法,其特征是,步骤2)进一步细化为:根据已知疾病相似性矩阵SD,建立疾病特征模型学习每种疾病的特征;参数D代表该模型要学习的疾病特征,第i列代表疾病di向量表示表示为:
其中,kd表示每个疾病的维度,nd表示所有疾病数量,其中D初始化为服从均匀分布[-0.1,0.1]的随机值;
其中,SD′表示学习到的疾病相似性,已知疾病矩阵相似性SD作为标签,这里用余弦距离来度量疾病之间的相似性。则疾病模型的损失函数定义为:
其中,Nd=nd*(nd-1)/2表示训练样本的数量,nd代表所有疾病的数量,采用最小化均方误差来训练模型,最终得到疾病的特征表示;
同理,miRNA的特征表示M表示为:
其中,km表示每个疾病的维度,nm表示所有miRNA数量,M初始化为服从均匀分布[-0.1,0.1]的采样的随机值;
miRNA的特征表示M可以通过如下公式计算出:
其中,Nm=nm*(nm-1)/2表示训练样本的数量,nm代表所有miRNA的数量,采用最小化均方误差来训练模型,最终得到miRNA的特征表示。
4.如权利要求1所述的基于自编码模型的miRNA与疾病关联关系预测方法,其特征是,步骤3)进一步细化为,提出miRNA和疾病关系的自编码模型,对已知miRNA和疾病关系,运用训练得到的向量表示构造拼接向量进行训练;对于编码器部分定义为:
其中,L代表编码器隐藏层层数,表示第i个样本在第l层的表示,表示第i个样本的输入,表示为kd和km分别是疾病和miRNA特征维度;zi代表编码器的输出,即隐编码,Wl和bl代表l层的编码器参数和偏置,fe表示非线性激活函数,采用relu(·)=max(0,·)
相应地,对于解码器定义为:
最终,自编码模型的损失函数定义为:
其中,N表示样本数量,即已知miRNA和疾病关系数量,λ为正则项系数,Jh(xi)表示雅可比正则项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999278.XA CN112183837A (zh) | 2020-09-22 | 2020-09-22 | 一种基于自编码模型的miRNA与疾病关联关系预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010999278.XA CN112183837A (zh) | 2020-09-22 | 2020-09-22 | 一种基于自编码模型的miRNA与疾病关联关系预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112183837A true CN112183837A (zh) | 2021-01-05 |
Family
ID=73956750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010999278.XA Pending CN112183837A (zh) | 2020-09-22 | 2020-09-22 | 一种基于自编码模型的miRNA与疾病关联关系预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183837A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784913A (zh) * | 2021-01-29 | 2021-05-11 | 湖南大学 | 一种基于图神经网络融合多视图信息的miRNA-疾病关联预测方法及装置 |
CN112837753A (zh) * | 2021-02-07 | 2021-05-25 | 中国科学院新疆理化技术研究所 | 一种基于多模态堆叠自动编码机的microRNA-疾病关联预测方法 |
CN112951320A (zh) * | 2021-03-03 | 2021-06-11 | 深圳大学 | 一种基于集成学习的生物医学网络关联预测方法 |
CN113392403A (zh) * | 2021-06-11 | 2021-09-14 | 连云港微部落网络技术有限公司 | 一种具备主动防御功能的网站安全防御系统和方法 |
CN113409892A (zh) * | 2021-05-13 | 2021-09-17 | 西安电子科技大学 | 基于图神经网络的miRNA-疾病关联关系预测方法 |
CN113539479A (zh) * | 2021-06-29 | 2021-10-22 | 山东师范大学 | 一种基于相似性约束的miRNA-疾病关联预测方法及系统 |
CN113743589A (zh) * | 2021-09-13 | 2021-12-03 | 中国矿业大学 | 一种基于堆栈自编码器的miRNA生物标志物识别方法及系统 |
TWI755261B (zh) * | 2021-01-25 | 2022-02-11 | 沐恩生醫光電股份有限公司 | 基因評估裝置以及方法 |
CN114613438A (zh) * | 2022-03-08 | 2022-06-10 | 电子科技大学 | 一种miRNA与疾病的关联预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109243538A (zh) * | 2018-07-19 | 2019-01-18 | 长沙学院 | 一种预测疾病与LncRNA关联关系的方法及系统 |
CN109920476A (zh) * | 2019-01-30 | 2019-06-21 | 中国矿业大学 | 基于混沌博弈算法的miRNA-疾病相关性预测方法 |
CN111681705A (zh) * | 2020-05-21 | 2020-09-18 | 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 |
-
2020
- 2020-09-22 CN CN202010999278.XA patent/CN112183837A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109243538A (zh) * | 2018-07-19 | 2019-01-18 | 长沙学院 | 一种预测疾病与LncRNA关联关系的方法及系统 |
CN109920476A (zh) * | 2019-01-30 | 2019-06-21 | 中国矿业大学 | 基于混沌博弈算法的miRNA-疾病相关性预测方法 |
CN111681705A (zh) * | 2020-05-21 | 2020-09-18 | 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 |
Non-Patent Citations (1)
Title |
---|
CUNMEI JI,ET AL.: "AEMDA: inferring miRN A–disease associations based on deep autoencoder", 《BIOINFORMATICS》, vol. 37, no. 1, 29 July 2020 (2020-07-29), pages 66 - 72 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI755261B (zh) * | 2021-01-25 | 2022-02-11 | 沐恩生醫光電股份有限公司 | 基因評估裝置以及方法 |
CN112784913A (zh) * | 2021-01-29 | 2021-05-11 | 湖南大学 | 一种基于图神经网络融合多视图信息的miRNA-疾病关联预测方法及装置 |
CN112784913B (zh) * | 2021-01-29 | 2023-07-25 | 湖南大学 | 一种基于图神经网络融合多视图信息的miRNA-疾病关联预测方法及装置 |
CN112837753B (zh) * | 2021-02-07 | 2022-07-22 | 中国科学院新疆理化技术研究所 | 一种基于多模态堆叠自动编码机的microRNA-疾病关联预测方法 |
CN112837753A (zh) * | 2021-02-07 | 2021-05-25 | 中国科学院新疆理化技术研究所 | 一种基于多模态堆叠自动编码机的microRNA-疾病关联预测方法 |
CN112951320A (zh) * | 2021-03-03 | 2021-06-11 | 深圳大学 | 一种基于集成学习的生物医学网络关联预测方法 |
CN113409892A (zh) * | 2021-05-13 | 2021-09-17 | 西安电子科技大学 | 基于图神经网络的miRNA-疾病关联关系预测方法 |
CN113409892B (zh) * | 2021-05-13 | 2023-04-25 | 西安电子科技大学 | 基于图神经网络的miRNA-疾病关联关系预测方法 |
CN113392403A (zh) * | 2021-06-11 | 2021-09-14 | 连云港微部落网络技术有限公司 | 一种具备主动防御功能的网站安全防御系统和方法 |
CN113539479A (zh) * | 2021-06-29 | 2021-10-22 | 山东师范大学 | 一种基于相似性约束的miRNA-疾病关联预测方法及系统 |
CN113539479B (zh) * | 2021-06-29 | 2024-05-07 | 山东师范大学 | 一种基于相似性约束的miRNA-疾病关联预测方法及系统 |
CN113743589A (zh) * | 2021-09-13 | 2021-12-03 | 中国矿业大学 | 一种基于堆栈自编码器的miRNA生物标志物识别方法及系统 |
CN114613438A (zh) * | 2022-03-08 | 2022-06-10 | 电子科技大学 | 一种miRNA与疾病的关联预测方法及系统 |
CN114613438B (zh) * | 2022-03-08 | 2023-05-26 | 电子科技大学 | 一种miRNA与疾病的关联预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183837A (zh) | 一种基于自编码模型的miRNA与疾病关联关系预测方法 | |
CN110993113B (zh) | 基于MF-SDAE的lncRNA-疾病关系预测方法及系统 | |
CN110782945B (zh) | 一种利用间接与直接特征信息识别lncRNA与疾病关联的方法 | |
CN111370073B (zh) | 一种基于深度学习的药物互作规则预测方法 | |
CN107679367B (zh) | 一种基于网络节点关联度的共调控网络功能模块识别方法及系统 | |
CN108427865B (zh) | 一种预测LncRNA和环境因素关联关系的方法 | |
CN110556184B (zh) | 基于Hessian正则非负矩阵分解的非编码RNA与疾病关系预测方法 | |
CN113871021A (zh) | 一种基于图注意力机制的circRNA与疾病关联关系预测方法 | |
CN112927753A (zh) | 一种基于迁移学习识别蛋白质和rna复合物界面热点残基的方法 | |
CN112992267A (zh) | 一种单细胞的转录因子调控网络预测方法及装置 | |
Niu et al. | A pretraining-retraining strategy of deep learning improves cell-specific enhancer predictions | |
CN110491443B (zh) | 一种基于投影邻域非负矩阵分解的lncRNA蛋白质关联预测方法 | |
CN113362900A (zh) | 一种预测n4-乙酰胞苷的混合模型 | |
CN113921084B (zh) | 疾病相关非编码rna调控轴多维靶向预测方法及系统 | |
CN116978464A (zh) | 数据处理方法、装置、设备以及介质 | |
CN113223622B (zh) | 基于元路径的miRNA-疾病关联预测方法 | |
CN117476106B (zh) | 一种多类不平衡蛋白质二级结构预测方法和系统 | |
CN117198426B (zh) | 一种多尺度的药物-药物反应可解释预测方法和系统 | |
CN117912570B (zh) | 一种基于基因共表达网络的分类特征确定方法及系统 | |
CN117558349A (zh) | 基于概率图模型的miRNA-疾病-类型的关联预测方法及装置 | |
CN116758993A (zh) | 一种集成多组学特征的dna甲基化预测方法 | |
CN117012277A (zh) | 基于层细化图卷积神经网络预测疾病lncRNA的方法 | |
CN115881232A (zh) | 一种基于图神经网络和特征融合的scRNA-seq细胞类型注释方法 | |
CN117423390A (zh) | 一种miRNA-疾病关联预测方法 | |
CN114171124A (zh) | 一种基于回归的性能优异的疾病和miRNA关联预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210105 |
|
WD01 | Invention patent application deemed withdrawn after publication |