CN113345523A - 基于图注意力网络的微生物-疾病关联性预测方法及系统 - Google Patents

基于图注意力网络的微生物-疾病关联性预测方法及系统 Download PDF

Info

Publication number
CN113345523A
CN113345523A CN202110592269.3A CN202110592269A CN113345523A CN 113345523 A CN113345523 A CN 113345523A CN 202110592269 A CN202110592269 A CN 202110592269A CN 113345523 A CN113345523 A CN 113345523A
Authority
CN
China
Prior art keywords
microorganism
disease
similarity
microorganisms
matrix
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
Application number
CN202110592269.3A
Other languages
English (en)
Inventor
王红
滑美芳
庄鲁贺
杨杰
王正军
杨雪
张慧
韩书
李威
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.)
Shandong Normal University
Original Assignee
Shandong Normal University
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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN202110592269.3A priority Critical patent/CN113345523A/zh
Publication of CN113345523A publication Critical patent/CN113345523A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioethics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Biotechnology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于图注意力网络的微生物‑疾病关联性预测方法及系统，所述方法包括以下步骤：获取微生物和疾病的对应关系数据，构建邻接矩阵；根据邻接矩阵，分别计算微生物相似性矩阵和疾病相似性矩阵；根据微生物和疾病相似性矩阵，对微生物和疾病之间的关系进行补充，得到新的邻接矩阵；根据新的邻接矩阵，基于图注意网络，对微生物和疾病之间的关联进行重构。本发明通过微生物相似性和疾病相似性的分析，能够充分挖掘微生物与疾病之间的潜在关联关系，然后通过图注意力网络进行关联重构，提高预测的准确率。

Description

基于图注意力网络的微生物-疾病关联性预测方法及系统
技术领域
本发明属于医疗数据处理技术领域，尤其涉及一种基于图注意力网络的微生物-疾病关联性预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
人类微生物在一系列复杂的人类疾病中起着至关重要的作用，并成为精确医学的新靶点。识别微生物与疾病的相关性不仅有助于揭示复杂的致病机制，而且可以为疾病的诊断和预后提供潜在的生物标志物，帮助药学家筛选药物开发的候选靶点。最近，很多人致力于开发预测微生物-疾病相关性的计算方法。现有的大多数方法都是基于线性模型或标记传播的，这在捕捉微生物和疾病之间的非线性关联方面存在局限性。此外，对于大多数以前的方法来说，对于微生物和疾病之间很少或没有任何观察到的关联进行预测仍然是一个巨大的挑战。我们可以将这些方法分为三类，即基于网络的方法、基于随机游走的方法和基于矩阵分解/补全的方法。
尽管微生物疾病预测方法是有效的，但这项预测任务仍然存在一些局限性。首先，基于网络的方法和基于随机行走的方法很容易偏向经过充分调查的疾病(或微生物)。例如，对于已知相关性很少的给定疾病(或微生物)，由于稀疏链接限制了信息传播，它们可能获得不够准确的候选微生物(或疾病)。其次，以往的大多数方法都严重依赖于已知的微生物-疾病关联进行相似性计算，这使得这些方法在涉及新疾病(或新微生物)时，由于缺乏训练数据而无法实现预测。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于图注意力网络的微生物-疾病关联性预测方法及系统。通过微生物相似性和疾病相似性的分析，能够充分挖掘微生物与疾病之间的潜在关联关系，然后通过图注意力网络进行关联重构，提高预测的准确率。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
一种基于图注意力网络的微生物-疾病关联性预测方法，包括以下步骤：
获取微生物和疾病的对应关系数据，构建邻接矩阵；
根据邻接矩阵，分别计算微生物相似性矩阵和疾病相似性矩阵；
根据微生物和疾病相似性矩阵，对微生物和疾病之间的关系进行补充，得到新的邻接矩阵；
根据新的邻接矩阵，基于图注意网络，对微生物和疾病之间的关联进行重构。
进一步地，获取微生物和疾病的对应关系数据，还对其进行预处理，删除重复数据。
进一步地，所述邻接矩阵的每一行表示一种微生物，每一列表示一种疾病，矩阵中的元素表示相应微生物和疾病之间是否有关。
进一步地，微生物相似性矩阵计算方法为：
分别计算微生物的高斯相互作用剖面核相似性和余弦相似性；
采用线性网络融合高斯相互作用剖面核相似性和余弦相似性，得到微生物相似性矩阵。
进一步地，疾病相似性矩阵计算方法为：
分别计算疾病的高斯相互作用剖面核相似性和余弦相似性；
采用线性网络融合高斯相互作用剖面核相似性和余弦相似性，得到疾病相似性矩阵。
进一步地，所述图注意力网络采用多头图注意力网络，在每个头部引入双向交互聚合器；并且，引入归纳矩阵补全，以半监督的方式学习解码器，以识别疾病和微生物之间的关联等级。
进一步地，所述方法还包括：根据某一微生物检索相关联疾病时，或根据某一疾病检索相关联微生物时，根据重构的微生物和疾病之间的关联，获取相应疾病或微生物，并根据关联等级进行排序。
一个或多个实施例提供了一种基于图注意力网络的微生物-疾病关联性预测系统，包括：
已知关联性获取模块，被配置为获取微生物和疾病的对应关系数据，构建邻接矩阵；
相似性计算模块，被配置为根据邻接矩阵，分别计算微生物相似性矩阵和疾病相似性矩阵；
关联性补充模块，被配置为根据微生物和疾病相似性矩阵，对微生物和疾病之间的关系进行补充，得到新的邻接矩阵；
关联性重构模块，被配置为根据新的邻接矩阵，基于图注意网络，对微生物和疾病之间的关联进行重构。
一个或多个实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的微生物-疾病关联性预测方法。
一个或多个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的微生物-疾病关联性预测方法。
以上一个或多个技术方案存在以下有益效果：
以上技术方案所提供的微生物-疾病关联性预测方法，通过改进的微生物相似性和疾病相似性的分析，能够充分挖掘微生物与疾病之间的潜在关联关系，然后通过图注意力网络进行关联重构，能够提高对微生物-疾病之间的关联预测。
其中，微生物的相似性和疾病的相似性均通过线性网络融合高斯相互作用剖面核相似度和余弦相似度两部分的内容，这样就充分考虑了微生物和疾病之间的关联关系，能够更准确对相似度进行描述。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明一个或多个实施例中基于图注意力网络的微生物-疾病关联性预测方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了一种基于图注意力网络的微生物-疾病关联性预测方法，具体包括以下步骤：
步骤1：获取微生物和疾病的对应关系数据，并进行预处理，构建邻接矩阵；
其中，所述邻接矩阵的每一行表示一种微生物，每一列表示一种疾病，矩阵中的元素表示相应微生物和疾病之间是否有关，具体地，若有关，元素值为1，若无关，元素值为0。
本实例涉及39种疾病和292种微生物的450个关联信息构成初始数据集。疾病依次编号为1,2,3……39，微生物依次编号1,2,3……292，已知微生物-疾病部分关联，如表1所示。
表1微生物—疾病关系表
疾病 微生物
1 169
2 109
3 169
4 61
4 116
4 166
4 169
4 207
4 225
4 231
4 254
4 255
5 109
5 129
5 256
.... ....
对微生物—疾病数据进行预处理具体包括：过滤重复数据。
步骤2：根据邻接矩阵，分别计算微生物相似性矩阵和疾病相似性矩阵；具体包括：
步骤2.1：分别计算微生物高斯相互作用剖面核相似性、疾病高斯相互作用剖面核相似性、微生物余弦相似性和疾病余弦相似性。
所述微生物高斯相互作用剖面核相似性计算公式如下：
KM(m(i)，m(j))＝exp(-λm||GIP(m(i))-GIP(m(j))||2)
Figure BDA0003089690220000061
所述疾病高斯相互作用剖面核相似性计算公式如下：
KD(d(i)，d(j))＝exp(-λd||GIP(d(i))-GIP(d(j))||2)
Figure BDA0003089690220000062
其中，将GIP(d(i))和GIP(m(i))分别表示为疾病di和微生物mi的相互作用剖面，其中，λd和λm表示归一化内核带宽，原始带宽，λ′d和λ′m通常两者都设置为1。
所述微生物余弦相似性计算公式如下：
Figure BDA0003089690220000063
其中MD(i，：)表示邻接矩阵MD的第i行，MD(j，：)表示邻接矩阵MD的第j行。
所述疾病余弦相似性计算公式如下：
Figure BDA0003089690220000064
MD(：，i)即，邻接矩阵MD的第i列，MD(：，j)即，邻接矩阵MD的第j列。
步骤2.2：利用线性网络融合微生物和疾病的高斯相互作用剖面核相似性矩阵和余弦相似性矩阵，得到微生物相似性矩阵和疾病相似性矩阵；
具体地，采用改进的线性网络对两个相似性矩阵进行融合，得到一个综合的疾病相似矩阵，能够充分利用高斯交互剖面核相似矩阵和余弦相似矩阵。
DS(d(i)，d(j))＝α·KD(d(i)，d(j))+(1-α)·CD(d(i)，d(j))
MS(m(i)，m(j))＝β·KM(m(i)，m(j))+(1-β)·CM(m(i)，m(j))
至此，可以得到相似的微生物和相似的疾病，在已知的微生物和疾病关系的基础上，能够挖掘出微生物和疾病之间可能的其他关联关系。
步骤3：根据微生物和疾病相似性矩阵，对微生物和疾病之间的关系进行补充，得到新的邻接矩阵；
步骤4：根据新的邻接矩阵，基于图注意网络，重建微生物和疾病关联矩阵。
具体地，构造带有谈话头的图注意网络，利用矩阵补全来重建新的疾病-微生物关联矩阵。所述图注意力网络的输入数据集包括新的邻接矩阵和各节点(疾病或微生物)对应的特征向量。首先，我们学习基于GAT的微生物和疾病的表示法。对于每个头部，我们进一步设计了双向交互聚合器，以鼓励神经表示聚合层中相似节点之间的信息传播。其次，我们引入归纳矩阵补全，以半监督的方式学习解码器，以识别疾病和微生物之间的关联等级。第三，基于关联等级对微生物-疾病关联进行重构。
计算疾病di和微生物mj之间的关联对的注意分数：
Figure BDA0003089690220000071
其中f表示单层前馈神经网络，wt是参数，hk第k个关注头的节点表示。
为了使不同节点的注意力得分具有可比性，我们使用以下方法进一步标准化注意力得分。
Figure BDA0003089690220000072
我们把由自身和邻近微生物(或疾病)组成的子网络称为自我网络，自我网络的表达如下：
Figure BDA0003089690220000073
我们得到了节点表示hk和它的网络表示
Figure BDA0003089690220000074
将两者聚合，公式如下：
Figure BDA0003089690220000075
其中Wa和Wc是权重矩阵和偏置矩阵，||表示拼接，LeakyReLU表示激活函数。在这里我们将前一个节点的输出表示Zk-1作为下一个节点的输入特性hk,并且h1作为初始节点的输入特征。每个头部会有都会有输出表示，因此将每个头部进行连接来获得微生物和疾病的最终矩阵表示Z。
从Z中可以得微生物矩阵Zm和疾病矩阵Zd，然后来进行归纳矩阵补全，得到最终的预测矩阵。
通过图注意力网络重构得到的微生物和疾病之间的关联，能够反映微生物和疾病之间的关联等级。当用户想要得到某一微生物的关联疾病时，可根据与该微生物的关联等级对相关疾病进行排序。
实施例二
本实施例的目的是提供一种基于图注意力网络的微生物-疾病关联性预测系统，包括：
已知关联性获取模块，被配置为获取微生物和疾病的对应关系数据，构建邻接矩阵；
相似性计算模块，被配置为根据邻接矩阵，分别计算微生物相似性矩阵和疾病相似性矩阵；
关联性补充模块，被配置为根据微生物和疾病相似性矩阵，对微生物和疾病之间的关系进行补充，得到新的邻接矩阵；
关联性重构模块，被配置为根据新的邻接矩阵，基于图注意网络，对微生物和疾病之间的关联进行重构。
实施例三
本实施例的目的是提供一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤，包括：
获取微生物和疾病的对应关系数据，构建邻接矩阵；
根据邻接矩阵，分别计算微生物相似性矩阵和疾病相似性矩阵；
根据微生物和疾病相似性矩阵，对微生物和疾病之间的关系进行补充，得到新的邻接矩阵；
根据新的邻接矩阵，基于图注意网络，对微生物和疾病之间的关联进行重构。
实施例四
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行以下步骤：
获取微生物和疾病的对应关系数据，构建邻接矩阵；
根据邻接矩阵，分别计算微生物相似性矩阵和疾病相似性矩阵；
根据微生物和疾病相似性矩阵，对微生物和疾病之间的关系进行补充，得到新的邻接矩阵；
根据新的邻接矩阵，基于图注意网络，对微生物和疾病之间的关联进行重构。
以上实施例二至四中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
以上一个或多个实施例中，基于高斯相互作用剖面核相似性和余弦相似性，分别对微生物相似性和疾病相似性的分析，充分挖掘了微生物与疾病之间的潜在关联关系，然后借助图注意力网络进行关联重构，有效提高了预测的准确率。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于图注意力网络的微生物-疾病关联性预测方法，其特征在于，包括以下步骤：
获取微生物和疾病的对应关系数据，构建邻接矩阵；
根据邻接矩阵，分别计算微生物相似性矩阵和疾病相似性矩阵；
根据微生物和疾病相似性矩阵，对微生物和疾病之间的关系进行补充，得到新的邻接矩阵；
根据新的邻接矩阵，基于图注意网络，对微生物和疾病之间的关联进行重构。
2.如权利要求1所述的基于图注意力网络的微生物-疾病关联性预测方法，其特征在于，获取微生物和疾病的对应关系数据，还对其进行预处理，删除重复数据。
3.如权利要求1所述的基于图注意力网络的微生物-疾病关联性预测方法，其特征在于，所述邻接矩阵的每一行表示一种微生物，每一列表示一种疾病，矩阵中的元素表示相应微生物和疾病之间是否有关。
4.如权利要求3所述的基于图注意力网络的微生物-疾病关联性预测方法，其特征在于，微生物相似性矩阵计算方法为：
分别计算微生物的高斯相互作用剖面核相似性和余弦相似性；
采用线性网络融合高斯相互作用剖面核相似性和余弦相似性，得到微生物相似性矩阵。
5.如权利要求3所述的基于图注意力网络的微生物-疾病关联性预测方法，其特征在于，疾病相似性矩阵计算方法为：
分别计算疾病的高斯相互作用剖面核相似性和余弦相似性；
采用线性网络融合高斯相互作用剖面核相似性和余弦相似性，得到疾病相似性矩阵。
6.如权利要求1所述的基于图注意力网络的微生物-疾病关联性预测方法，其特征在于，所述图注意力网络采用多头图注意力网络，在每个头部引入双向交互聚合器；并且，引入归纳矩阵补全，以半监督的方式学习解码器，以识别疾病和微生物之间的关联等级。
7.如权利要求6所述的基于图注意力网络的微生物-疾病关联性预测方法，其特征在于，所述方法还包括：根据某一微生物检索相关联疾病时，或根据某一疾病检索相关联微生物时，根据重构的微生物和疾病之间的关联，获取相应疾病或微生物，并根据关联等级进行排序。
8.一种基于图注意力网络的微生物-疾病关联性预测系统，其特征在于，包括：
已知关联性获取模块，被配置为获取微生物和疾病的对应关系数据，构建邻接矩阵；
相似性计算模块，被配置为根据邻接矩阵，分别计算微生物相似性矩阵和疾病相似性矩阵；
关联性补充模块，被配置为根据微生物和疾病相似性矩阵，对微生物和疾病之间的关系进行补充，得到新的邻接矩阵；
关联性重构模块，被配置为根据新的邻接矩阵，基于图注意网络，对微生物和疾病之间的关联进行重构。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的微生物-疾病关联性预测方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的微生物-疾病关联性预测方法。
CN202110592269.3A 2021-05-28 2021-05-28 基于图注意力网络的微生物-疾病关联性预测方法及系统 Pending CN113345523A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110592269.3A CN113345523A (zh) 2021-05-28 2021-05-28 基于图注意力网络的微生物-疾病关联性预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110592269.3A CN113345523A (zh) 2021-05-28 2021-05-28 基于图注意力网络的微生物-疾病关联性预测方法及系统

Publications (1)

Publication Number Publication Date
CN113345523A true CN113345523A (zh) 2021-09-03

Family

ID=77471965

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110592269.3A Pending CN113345523A (zh) 2021-05-28 2021-05-28 基于图注意力网络的微生物-疾病关联性预测方法及系统

Country Status (1)

Country Link
CN (1) CN113345523A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114360730A (zh) * 2021-11-29 2022-04-15 山东师范大学 基于多视图图卷积网络的微生物-疾病关联预测方法
CN114429823A (zh) * 2021-12-17 2022-05-03 山东师范大学 一种基于投影和对比学习的疾病-微生物关联预测系统
CN114496275A (zh) * 2021-12-20 2022-05-13 山东师范大学 基于条件随机场的微生物-疾病关联性预测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108920895A (zh) * 2018-06-22 2018-11-30 中南大学 一种环状rna与疾病的关联关系预测方法
CN109036553A (zh) * 2018-08-01 2018-12-18 北京理工大学 一种基于自动抽取医疗专家知识的疾病预测方法
CN109712678A (zh) * 2018-12-12 2019-05-03 中国人民解放军军事科学院军事医学研究院 关系预测方法、装置及电子设备
CN110415763A (zh) * 2019-08-06 2019-11-05 腾讯科技（深圳）有限公司 药物与靶标的相互作用预测方法、装置、设备及存储介质
US20210134418A1 (en) * 2019-11-04 2021-05-06 Georgetown University Method and System for Assessing Drug Efficacy Using Multiple Graph Kernel Fusion

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN108920895A (zh) * 2018-06-22 2018-11-30 中南大学 一种环状rna与疾病的关联关系预测方法
CN109036553A (zh) * 2018-08-01 2018-12-18 北京理工大学 一种基于自动抽取医疗专家知识的疾病预测方法
CN109712678A (zh) * 2018-12-12 2019-05-03 中国人民解放军军事科学院军事医学研究院 关系预测方法、装置及电子设备
CN110415763A (zh) * 2019-08-06 2019-11-05 腾讯科技（深圳）有限公司 药物与靶标的相互作用预测方法、装置、设备及存储介质
US20210134418A1 (en) * 2019-11-04 2021-05-06 Georgetown University Method and System for Assessing Drug Efficacy Using Multiple Graph Kernel Fusion

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YAHUI LONG, JIAWEI LUO, YU ZHANG AND YAN XIA.: "《Brief Bioinform》", 《PREDICTING HUMAN MICROBE–DISEASE ASSOCIATIONS VIA GRAPH ATTENTION NETWORKS WITH INDUCTIVE MATRIX COMPLETION》 *
朱庆祺: "《基于异构网络的非编码RNA及微生物与疾病关联预测研究》", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114360730A (zh) * 2021-11-29 2022-04-15 山东师范大学 基于多视图图卷积网络的微生物-疾病关联预测方法
CN114429823A (zh) * 2021-12-17 2022-05-03 山东师范大学 一种基于投影和对比学习的疾病-微生物关联预测系统
CN114496275A (zh) * 2021-12-20 2022-05-13 山东师范大学 基于条件随机场的微生物-疾病关联性预测方法及系统

Similar Documents

Publication Publication Date Title
Lu et al. Machine learning for synthetic data generation: a review
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
Berk An introduction to ensemble methods for data analysis
Helgertz et al. A new strategy for linking US historical censuses: A case study for the IPUMS multigenerational longitudinal panel
Xu et al. A Bayesian nonparametric approach for estimating individualized treatment-response curves
CN113345523A (zh) 基于图注意力网络的微生物-疾病关联性预测方法及系统
Neto et al. Bivariate symbolic regression models for interval-valued variables
CN111967495B (zh) 一种分类识别模型构建方法
CN110209807A (zh) 一种事件识别的方法、模型训练的方法、设备及存储介质
Guha et al. Bayesian regression with undirected network predictors with an application to brain connectome data
Zhou et al. Priors for random count matrices derived from a family of negative binomial processes
CN115017294B (zh) 代码搜索方法
Li et al. Deep reinforcement learning for adaptive learning systems
Cai Investigation of ways to handle sampling weights for multilevel model analyses
US11822544B1 (en) Retrieval of frequency asked questions using attentive matching
Yan et al. A knowledge-driven generative model for multi-implication chinese medical procedure entity normalization
CN112131261A (zh) 基于社区网络的社区查询方法、装置和计算机设备
Shi et al. DeepDiagnosis: DNN-based diagnosis prediction from pediatric big healthcare data
Gerber et al. The impact of churn on client value in health insurance, evaluation using a random forest under various censoring mechanisms
Bintsi et al. Multimodal brain age estimation using interpretable adaptive population-graph learning
Tong et al. Deep survival algorithm based on nuclear norm
Patankar et al. Curiosity as filling, compressing, and reconfiguring knowledge networks
Marcoulides et al. Detecting unobserved heterogeneity in latent growth curve models
Song [Retracted] An Evaluation Method of English Teaching Ability Based on Deep Learning
Wang et al. A novel parallel clock-driven algorithm for simulation of neuronal networks based on virtual synapse

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210903

RJ01 Rejection of invention patent application after publication