一种预测疾病与LncRNA关联关系的方法及系统
阅读：0发布：2021-02-18
专利汇可以提供一种预测疾病与LncRNA关联关系的方法及系统专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种预测 疾病 与LncRNA关联关系的方法和系统，包括：从已知 数据库 获取LncRNA-miRNA关联关系和miRNA-疾病关联关系，根据二者构建LncRNA-miRNA-疾病相互作用网络；基于LncRNA-miRNA-疾病相互作用网络，构建疾病超级表达谱和LncRNA的超级表达谱；根据疾病超级表达谱和LncRNA的超级表达谱，采用基于RBF神经网络的LncRNA相似性计算和疾病相似性计算，训练疾病与LncRNA关联关系的 预测模型 ；使用预测模型对候选样本的LncRNA-疾病关联对进行预测。本发明提供最有希望的LncRNA疾病关联进一步的实验验证，能够有效的从海量 生物 数据中挖掘潜在的疾病相关的LncRNA,降低生物实验成本与开销，加快生物信息领域研究进展。，下面是一种预测疾病与LncRNA关联关系的方法及系统专利的具体信息内容。
1.一种预测疾病与LncRNA关联关系的方法，其特征在于，包括以下步骤：
S1：从已知数据库获取LncRNA-miRNA关联关系和miRNA-疾病关联关系，根据二者构建LncRNA-miRNA-疾病相互作用网络；
S2：基于所述LncRNA-miRNA-疾病相互作用网络，构建疾病超级表达谱和LncRNA的超级表达谱；
S3：根据所述疾病超级表达谱和LncRNA的超级表达谱，采用基于RBF神经网络的LncRNA相似性计算和疾病相似性计算，训练疾病与LncRNA关联关系的预测模型；
S6：使用预测模型对候选样本的LncRNA-疾病关联对进行预测。
2.根据权利要求1所述的预测疾病与LncRNA关联关系的方法，其特征在于，所述步骤S3完成后，步骤S6进行之前，所述方法还包括：
S4：使用已知的LncRNA-疾病关联对作为验证集对预测模型进行验证；
S5：根据验证的结果调整预测模型的参数，优化所述预测模型。
3.根据权利要求1或2所述的预测疾病与LncRNA关联关系的方法，其特征在于，所述步骤S1，包括以下步骤：
S11：从已知数据库获取LncRNA-miRNA关联关系数据集，获取LncRNA-miRNA相互作用对；
S12：从已知数据库获取miRNA-疾病关联关系数据集，获取miRNA-疾病相互作用对；
S13：根据LncRNA-miRNA相互作用对构造LncRNA-miRNA关联关系的网络；
S14：根据miRNA-疾病相互作用对构造miRNA-疾病关联关系的网络；
S15：基于上述构建的LncRNA-miRNA关联关系的网络和miRNA-疾病关联关系的网络，构建LncRNA-miRNA-疾病相互作用网络。
4.根据权利要求3所述的预测疾病与LncRNA关联关系的方法，其特征在于，所述步骤S2，包括以下步骤：
S21：根据LncRNA-miRNA关联关系的网络和miRNA-疾病关联关系的网络，构造LncRNA-miRNA邻接矩阵与miRNA-疾病邻接矩阵；
S22：基于LncRNA-miRNA-疾病相互作用网络，建立疾病的超级表达谱矩阵和LncRNA的超级表达谱矩阵。
5.根据权利要求4所述的预测疾病与LncRNA关联关系的方法，其特征在于，所述步骤S3，包括以下步骤：
S31：根据LncRNA的超级表达谱矩阵，采用基于RBF神经网络算法计算LncRNA相似性；
S32：根据疾病的超级表达谱矩阵，采用基于RBF神经网络算法计算疾病相似性；
S33：基于LncRNA相似性、疾病相似性以及LncRNA-miRNA邻接矩阵与miRNA-疾病邻接矩阵来计算LncRNA-疾病关联对的关联程度，得到疾病与LncRNA关联关系的预测模型。
6.根据权利要求5所述的预测疾病与LncRNA关联关系的方法，其特征在于，所述步骤S4，包括以下步骤：
S41：将每个已知的LncRNA-疾病关联对依次作为验证集，所有其他已知的LncRNA-疾病关联对作为训练样本；将所有没有确定的实验支持的LncRNA-疾病关联对组成候选样本，使用预测模型测得每个验证集相对于候选样本的排名，如果预测模型对验证集预测的排名高于事先给定的阈值，则判定为一个成功的预测。
7.根据权利要求6所述的预测疾病与LncRNA关联关系的方法，其特征在于，所述步骤S5，包括以下步骤：
S51：通过调整阈值，绘制TPR和FPR的不同阈值的ROC曲线，计算ROC曲线的AUC；其中，TPR是预测验证样本的排名高于给定阈值的百分比，而FPR是排名低于给定阈值的验证样本的百分比；
S52：通过调整步骤S3中的计算的参数，根据预测模型获得的AUC值的大小，优化所述预测模型。
8.一种预测疾病与LncRNA关联关系的系统，其特征在于，包括：
网络构建单元，用于从已知数据库获取LncRNA-miRNA关联关系和miRNA-疾病关联关系，根据二者构建LncRNA-miRNA-疾病相互作用网络；
表达谱构建单元，用于基于所述LncRNA-miRNA-疾病相互作用网络，构建疾病超级表达谱和LncRNA的超级表达谱；
模型构建单元，用于根据所述疾病超级表达谱和LncRNA的超级表达谱，采用基于RBF神经网络的LncRNA相似性计算和疾病相似性计算，训练疾病与LncRNA关联关系的预测模型；
预测单元，用于使用预测模型对候选样本的LncRNA-疾病关联对进行预测。
9.一种计算机设备，包括存储器、处理器以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计算机程序时实现上述权利要求1至7任一所述方法的步骤。
一种预测疾病与LncRNA关联关系的方法及系统
技术领域
[0001] 本发明涉及生物信息学疾病预测领域，尤其涉及一种基于LncRNA(Long non-coding RNA，长链非编码RNA)-miRNA(MicroRNA，微小RNA)-疾病相互作用网络预测疾病与LncRNA关联关系的方法及系统。
背景技术
[0002] 长链非编码RNA(Long non-coding RNA，LncRNA)是一类长度超过200个核苷酸的重要非编码RNA。在许多重要的生物过程中起着关键的作用，其中包括转录、翻译、剪接、分化、表观遗传调控、免疫反应和细胞周期调控等等。因此，LncRNA的突变和失调和许多人类疾病有着重要的关联关系。比如有研究表明LncRNA与癌症、心血管疾病和神经性疾病等都有密切的关联，临床实验表明有些LncRNA，如HOTAIR(HOX tran antisense RNA，HOX基因组转录而来的反义RNA)，PCA3(Prostate cancer antigen 3，新型前列腺癌抗原3)和UCA1(urothelial carcinoma antigen 1，尿路上皮癌胚抗原1)已经被分别作为肝癌细胞复发、前列腺癌侵袭和膀胱癌诊断的生物标志物。因此，鉴定潜在的人类疾病相关LncRNAs(LncRNA集)不仅可以促进LncRNA水平上人类疾病分子机制的理解，而且可以促进人类疾病诊断、治疗、预后和预防的生物标志物识别。目前，大量的研究已经产生了大量的关于序列、表达和功能等LncRNA相关的生物学数据，这些数据存储在一些公开可以免费使用的数据库中，比如NRED(ncRNA expression database，ncRNA表达数据库)、LncRNAdb(Long Noncoding RNA Database v2.0，长链非编码RNA数据库)和NONCODE等。然而，只有相对较少的LncRNA-疾病关联对被公布。
[0003] 因此，基于这些数据集开发强大的计算模型以大规模预测潜在的疾病-LncRNA相关性已被视为LncRNAs和疾病中最重要的主题之一。计算模型可以提供最有希望的LncRNA-疾病关联，从而减少生物实验的时间和成本。
发明内容
[0004] 本发明提供一种预测疾病与LncRNA关联关系的方法及系统。以解决现有的针对没有确定的实验支持的疾病-LncRNA相关性预测的生物实验时间和成本很高的技术问题。
[0005] 为实现上述目的，本发明提供了一种预测疾病与LncRNA关联关系的方法，包括以下步骤：
[0006] S1：从已知数据库获取LncRNA-miRNA关联关系和miRNA-疾病关联关系，根据二者构建LncRNA-miRNA-疾病相互作用网络；
[0007] S2：基于LncRNA-miRNA-疾病相互作用网络，构建疾病超级表达谱和LncRNA的超级表达谱；
[0008] S3：根据疾病超级表达谱和LncRNA的超级表达谱，采用基于RBF神经网络的LncRNA相似性计算和疾病相似性计算，训练疾病与LncRNA关联关系的预测模型；
[0009] S6：使用预测模型对候选样本中的LncRNA-疾病关联对进行预测。
[0010] 作为本发明的方法的进一步改进：
[0011] 步骤S3完成后，步骤S6进行之前，方法还包括：
[0012] S4：使用已知的LncRNA-疾病关联对作为验证集对预测模型进行验证；
[0013] S5：根据验证的结果调整预测模型的参数，优化预测模型。
[0014] 步骤S1，包括以下步骤：
[0015] S11：从已知数据库获取LncRNA-miRNA关联关系数据集，获取LncRNA-miRNA相互作用对；
[0016] S12：从已知数据库获取miRNA-疾病关联关系数据集，获取miRNA-疾病相互作用对；
[0017] S13：根据LncRNA-miRNA相互作用对构造LncRNA-miRNA关联关系的网络；
[0018] S14：根据miRNA-疾病相互作用对构造miRNA-疾病关联关系的网络；
[0019] S15：基于上述构建的LncRNA-miRNA关联关系的网络和miRNA-疾病关联关系的网络，构建LncRNA-miRNA-疾病相互作用网络。
[0020] 步骤S2，包括以下步骤：
[0021] S21：根据LncRNA-miRNA关联关系的网络和miRNA-疾病关联关系的网络，构造LncRNA-miRNA邻接矩阵与miRNA-疾病邻接矩阵；
[0022] S22：基于LncRNA-miRNA-疾病相互作用网络，建立疾病的超级表达谱矩阵和LncRNA的超级表达谱矩阵。
[0023] 步骤S3，包括以下步骤：
[0025] S32：根据疾病的超级表达谱矩阵，采用基于RBF神经网络算法计算疾病相似性；
[0026] S33：基于LncRNA相似性、疾病相似性以及LncRNA-miRNA邻接矩阵与miRNA-疾病邻接矩阵来计算LncRNA-疾病关联对的关联程度，得到疾病与LncRNA关联关系的预测模型。
[0027] 步骤S4，包括以下步骤：
[0028] S41：将每个已知的LncRNA-疾病关联对依次作为验证集，所有其他已知的LncRNA-疾病关联对作为训练样本；将所有没有确定的实验支持的LncRNA-疾病关联对组成候选样本，使用预测模型测得每个验证集相对于候选样本的排名，如果预测模型对验证集预测的排名高于事先给定的阈值，则判定为一个成功的预测；
[0029] 步骤S5，包括以下步骤：
[0030] S51：通过调整阈值，绘制TPR和FPR的不同阈值ROC曲线，计算ROC曲线的AUC；其中，TPR是预测验证样本的排名高于给定阈值的百分比，而FPR是排名低于给定阈值的验证样本的百分比；
[0031] S52：通过调整步骤S3中的计算的参数，根据预测模型获得的AUC值的大小，优化预测模型。
[0032] 本发明还提供了一种预测疾病与LncRNA关联关系的系统，包括：
[0033] 网络构建单元，用于从已知数据库获取LncRNA-miRNA关联关系和miRNA-疾病关联关系，根据二者构建LncRNA-miRNA-疾病相互作用网络；
[0034] 表达谱构建单元，用于基于LncRNA-miRNA-疾病相互作用网络，构建疾病超级表达谱和LncRNA的超级表达谱；
[0035] 模型构建单元，用于根据疾病超级表达谱和LncRNA的超级表达谱，采用基于RBF神经网络的LncRNA相似性计算和疾病相似性计算，训练疾病与LncRNA关联关系的预测模型；
[0036] 预测单元，用于使用预测模型对候选样本的LncRNA-疾病关联对进行预测。
[0038] 本发明具有以下有益效果：
[0039] 本发明的预测疾病与LncRNA关联关系的方法及系统，提供最有希望的LncRNA疾病关联进一步的实验验证，能够有效的从海量生物数据中挖掘潜在的疾病相关的LncRNA,降低生物实验成本与开销，加快生物信息领域研究进展。
附图说明
[0042] 图1是本发明优选实施例的预测疾病与LncRNA关联关系的方法的流程示意图；
[0043] 图2是本发明优选实施例2的预测疾病与LncRNA关联关系的方法的流程示意图；
[0044] 图3是本发明优选实施例2的网络构造与邻接矩阵表达示意图；
[0045] 图4是本发明优选实施例2的SIP构造图；
[0046] 图5是本发明优选实施例2的LncRNA-LncRNA相似性计算图；
[0047] 图6是本发明优选实施例2的的疾病-疾病相似计算图。
具体实施方式
[0049] 参见图1，本发明的预测疾病与LncRNA关联关系的方法，包括以下步骤：
[0050] S1：从已知数据库获取LncRNA-miRNA关联关系和miRNA-疾病关联关系，根据二者构建LncRNA-miRNA-疾病相互作用网络；
[0051] S2：基于LncRNA-miRNA-疾病相互作用网络，构建疾病超级表达谱和LncRNA的超级表达谱；
[0052] S3：根据疾病超级表达谱和LncRNA的超级表达谱，采用基于RBF神经网络的LncRNA相似性计算和疾病相似性计算，训练疾病与LncRNA关联关系的预测模型；
[0053] S6：使用预测模型对候选样本中的LncRNA-疾病关联对进行预测。
[0054] 通过以上步骤，能够有效的从海量生物数据中挖掘潜在的疾病相关的LncRNA,降低生物实验成本与开销，加快生物信息领域研究进展。
[0055] 实施例1：
[0056] 本实施例的预测疾病与LncRNA关联关系的方法，包括以下步骤：
[0057] S1：从已知数据库获取LncRNA-miRNA关联关系和miRNA-疾病关联关系，根据二者构建LncRNA-miRNA-疾病相互作用网络。具体如下：
[0058] S11：从已知数据库获取LncRNA-miRNA关联关系数据集，获取LncRNA-miRNA相互作用对；
[0059] S12：从已知数据库获取miRNA-疾病关联关系数据集，获取miRNA-疾病相互作用对；
[0060] S13：根据LncRNA-miRNA相互作用对构造LncRNA-miRNA关联关系的网络；
[0061] S14：根据miRNA-疾病相互作用对构造miRNA-疾病关联关系的网络；
[0062] S15：基于上述构建的LncRNA-miRNA关联关系的网络和miRNA-疾病关联关系的网络，构建LncRNA-miRNA-疾病相互作用网络。
[0063] S2：基于LncRNA-miRNA-疾病相互作用网络，构建疾病超级表达谱和LncRNA的超级表达谱。包括以下步骤：
[0064] S21：根据LncRNA-miRNA关联关系的网络和miRNA-疾病关联关系的网络，构造LncRNA-miRNA邻接矩阵与miRNA-疾病邻接矩阵；
[0065] S22：基于LncRNA-miRNA-疾病相互作用网络，建立疾病的超级表达谱矩阵和LncRNA的超级表达谱矩阵。
[0066] S3：根据疾病超级表达谱和LncRNA的超级表达谱，采用基于RBF神经网络的LncRNA相似性计算和疾病相似性计算，训练疾病与LncRNA关联关系的预测模型。包括以下步骤：
[0067] S31：根据LncRNA的超级表达谱矩阵，采用基于RBF神经网络算法计算LncRNA相似性；
[0068] S32：根据疾病的超级表达谱矩阵，采用基于RBF神经网络算法计算疾病相似性；
[0069] S33：基于LncRNA相似性、疾病相似性以及LncRNA-miRNA邻接矩阵与miRNA-疾病邻接矩阵来计算LncRNA-疾病关联对的关联程度，得到疾病与LncRNA关联关系的预测模型。
[0070] S4：使用已知的LncRNA-疾病关联对作为集验证对预测模型进行验证。
[0071] 包括以下步骤：
[0072] S41：将每个已知的LncRNA-疾病关联对依次作为验证集，所有其他已知的LncRNA-疾病关联对作为训练样本(所有已知的LncRNA-疾病关联对被划分为两部分，其中一部分只有一个LncRNA-疾病关联对，它作为验证集，剩下的那部分-“所有其他已知的LncRNA-疾病关联对”作为训练集。这种划分方式进行多次，直到每一对已知的LncRNA-疾病关联对都作了一次验证集为止。)；将所有没有确定的实验支持的LncRNA-疾病关联对组成候选样本(候选样本是：在所有LncRNA-疾病的关联对中，去掉已知的LncRNA-疾病的关联对)，使用预测模型测得每个验证集相对于候选样本的排名，如果预测模型对验证集预测的排名高于事先给定的阈值，则判定为一个成功的预测。
[0073] S5：根据验证的结果调整预测模型的参数，优化预测模型。包括以下步骤：
[0074] S51：通过调整阈值，绘制TPR和FPR的不同阈值ROC曲线，计算ROC曲线的AUC；其中，TPR是预测验证样本的排名高于给定阈值的百分比，而FPR是排名低于给定阈值的验证样本的百分比；
[0075] S52：通过调整步骤S3中的计算的参数，根据预测模型获得的AUC值的大小，优化预测模型。
[0076] S6：使用预测模型对候选样本中的LncRNA-疾病关联对进行预测。
[0077] 实施例2：
[0078] 图2是本实施例的全局流程图，其中，MD是miRNA-疾病的邻接矩阵，LM是LncRNA-miRNA的邻接矩阵，SIP(L)是LncRNA的超级表达谱矩阵，SIP(D)是疾病的超级表达谱矩阵，NSL是LncRNA的相似性矩阵，NSD是疾病的相似性矩阵，LMD＝LM*MD,LMDT是LMD矩阵的转置，S(i,j)是第i个疾病和第j个LncRNA的预测分数。
[0079] 本实施例提供一种基于LncRNA-miRNA-疾病相互作用网络预测疾病与LncRNA关联关系的方法，包括以下步骤：
[0080] S1：原始数据集的获取与处理，数据特征的预处理与特征选择。具体如下：
[0081] S11：LncRNA-miRNA关联关系的获取；
[0082] 从starBasev2.0数据库下载两个版本的LncRNA-miRNA关联数据集(2015版本和2017年版本)，其提供了基于大规模CLIP-Seq的最全面的实验证实的LncRNA-miRNA相互作用数据。经过数据预处理(包括消除重复值、错误数据和杂乱无章的数据等)后，获得了
10212个LncRNA-miRNA相互作用对，包括275个miRNA和1127个LncRNAs。
10212个LncRNA-miRNA相互作用对，包括275个miRNA和1127个LncRNAs。
[0083] S12：miRNA-疾病关联关系的获取；
[0084] 从HMDD数据库下载miRNA-疾病关联对，该数据库是通过从文献数据手动确定获得的miRNA相关疾病的库。数据预处理后，获得了5386个实验验证了的高质量的miRNA-疾病相关对，包括495种miRNA和381种疾病。
[0085] S13：LncRNA-miRNA关联关系的网络构造与邻接矩阵表示
[0086] 具体的：设M1代表所有收集的在LncRNA-miRNA中的miRNA的集合，L代表所有收集的在LncRNA-minRNA中的LncRNA的集合，则可以如下构建LncRNA-miRNA网络G1(V1,E1)：
[0087] (1)V1是G1的顶点集，有V1＝M1∪L。
[0088] (2)E1是G1的边集，且 mj∈M1,E1中li和mj之间存在一条边，当且仅当LncRNA li与mj有关。
[0089] S14：miRNA-疾病关联关系的网络构造与邻接矩阵表示。
[0090] 设M2代表所有收集的miRNA-疾病中的miRNA的集合，D代表所有收集的miRNA-疾病中的疾病的集合，则可以如下构建miRNA-疾病网络G2(V2，E2)：
[0091] (1)V2是G2的顶点集合，V2＝M2∪D。
[0092] (2)E2是G2的边集，且 dj∈D，mi与dj在E2之间存在一条边，当且仅当miRNA与疾病dj有关。
[0093] S15：根据上述获得的已知的关联关系，构造LncRNA-miRNA与miRNA-疾病邻接矩阵，并且整理LncRNA-miRNA-疾病相互作用网络。
[0094] 基于上述构建的LncRNA-miRNA网络G1(V1，E1)和miRNA-疾病网络G2(V2，E2)，设M＝M1∩M2，则可构建LncRNA-miRNA-疾病网络G3(V3，E3)如下：
[0095] (1)V3是G3的顶点集合，并且有V3＝L∪M∪D。
[0096] (2)E3是G3的边集， mj∈M，dk∈D，E3中li和mj之间存在一条边，当且仅当LncRNA li与miRNA mj有关，此外，E3中mj和dk之间存在一条边，当且仅当miRNA mj与疾病dk相关。
[0097] 图3是LncRNA-miRNA-疾病关联网络构的示意图，其中mi代表第i个miRNA,dj代表第j个疾病，lk代表第k个LncRNA。
[0098] S2：基于所述LncRNA-miRNA-疾病相互作用网络，构建疾病超级表达谱和LncRNA的超级表达谱。
[0099] S21：根据上述构建的网络，构造LncRNA-miRNA邻接矩阵与miRNA-疾病邻接矩阵。
[0100] 令M3＝M1∪M2，则对于每个li∈L，mj∈M3，可以根据以下公式(1)获得邻接矩阵LM：
[0101]
[0102] 图3中，LM是LncRNA-疾病关联网络对应的邻接矩阵(见下表1)：
[0103] 表1
[0104]
[0105] 对于每个mj∈M3,dj∈D可以根据以下公式(2)获得邻接矩阵MD：
[0106]
[0107] 图3中，MD是miRNA-疾病关联网络对应的邻接矩阵(见下表2)：
[0108] 表2
[0109]
[0110] S22：参见图4，构建基于LncRNA-miRNA-疾病相互作用网络的疾病超级表达谱和LncRNA的超级表达谱。
[0111] 在LncRNA-miRNA-疾病网络G3(V3，E3)中， 令M(li)＝{mi1,mi2,...mip}表示所有节点的集合在M中满足： E3中mij和li之间存在一条边，并且对于每个节点mij∈M(li),令D(mij)＝{dij1,dij2,...,dijt}表示D中所有节点的集合，满足： E3中dijk和mij之间存在一条边，其中j∈[1，p]，k∈[1，t]最后让那么对于每个mix∈M(li),diy∈D(li)，根据以下公式(3)，li的超级表达谱(SIP)矩阵：
[0112]
[0113] 其中x∈[1，p]，y∈[1，t]。其中SIP(L)是LncRNA的超级表达谱(见下表3)：
[0114] 表3
[0115]
[0116] 令M(di)＝{mi1,mi2,...mip}表示所有节点的集合在M中满足：E3中mij和di之间存在一条边，并且对于每个节点mij∈M(di),令L(mij)＝
{lij1,lij2,...,lijt}表示D中所有节点的集合，满足： E3中lijk和mij之间存在一条边，其中j∈[1，p]，k∈[1，t]最后让 那么对于每
个mix∈M(di),liy∈L(di)，根据以下公式(4)，di的超级表达谱(SIP)矩阵：
{lij1,lij2,...,lijt}表示D中所有节点的集合，满足： E3中lijk和mij之间存在一条边，其中j∈[1，p]，k∈[1，t]最后让 那么对于每
个mix∈M(di),liy∈L(di)，根据以下公式(4)，di的超级表达谱(SIP)矩阵：
[0117]
[0118] 其中x∈[1，p]，y∈[1，t]。SIP(D)是疾病的超级表达谱(见下表4)。
[0119] 表4
[0120]
[0121] S3：根据疾病超级表达谱和LncRNA的超级表达谱，采用基于RBF神经网络的LncRNA相似性计算和疾病相似性计算，训练疾病与LncRNA关联关系的预测模型。
[0122] S31：基于RBF神经网络的LncRNA相似性计算。参见图5，计算第i个LncRNA与第j个LncRNA的相似性，其中Xk表示SIP(lj)的第k行，Ck表示SIP(li)的第k行。NSL(i,j)表示第i个LncRNA与第j个LncRNA的相似性分数。具体如下：
[0123] 根据以上获得的SIP矩阵，提出一种基于径向基函数(RBF)神经网络计算LncRNAs与疾病相似性的新方法。在RBF神经网络中有三层：输入层，隐藏层和线性输出层。因此，对于任意两个给定节点li∈L和lj∈L，令U表示SIP(li)中的行数，Ck表示SIP(li)的第k个行向量，其中k∈[1，U]，令V表示SIP(lj)中的行数，Xk表示SIP(lj)的第k个行向量，其中k∈[1，V]。则RBF神经网络的输入可以被表示为X＝，并且隐藏层神经元k的中心向量可以被建模为Ck，其中k∈[1，U]，隐藏层神经元变换函数Ok(lj)可以定义如下：
[0124]
[0125] 此外，选择径向基函数作为激活函数，并让|D|表示D中的疾病数目，然后可以根据下面的公式(6)获得RBF神经网络的输出：
[0126]
[0127] 其中ak是隐藏层中第k个神经元的输出权重。然后，对于任何两个给定的LncRNA节点li∈L和lj∈L，显然可以利用NSL(i,j)的值来度量li和lj之间的相似度。
[0128] S32：基于RBF神经网络的疾病相似性计算。参见图6，计算第i个疾病与第j个疾病的相似性，其中Xk表示SIP(dj)的第k行，Ck表示SIP(di)的第k行。NSD(i,j)表示第i个LncRNA与第j个LncRNA的相似性分数。具体如下：
[0129] 对于任意两个给定节点di∈D和dj∈D，令W表示SIP(di)中的行数，Ck表示SIP(di)的第k个行向量，其中k∈[1，W]，令Z表示SIP(dj)中的行数，Xk表示SIP(dj)的第k个行向量，其中k∈[1，Z]。则RBF神经网络的输入可以被表示为X＝，并且隐藏层神经元k的中心向量可以被建模为Ck，其中k∈[1，W]，隐藏层神经元变换函数Ok(dj)可以定义如下：
[0130]
[0131] 此外，选择径向基函数作为激活函数，并让|L|表示L中的LncRNA的数目，然后可以根据下面的公式(8)获得RBF神经网络的输出：
[0132]
[0133] 其中βk是隐藏层中第k个神经元的输出权重。然后，对于任何两个给定的LncRNA节点di∈L和dj∈L，显然可以利用NSD(i,j)的值来度量di和dj之间的相似度。
[0134] S33:基于LncRNA相似性，疾病的相似性，LncRNA-miRNA的邻接矩阵以及miRNA-疾病的邻接矩阵来计算LncRNA-疾病关联对的关联程度：
[0135] 首先构建一个如下融合矩阵NAAM：
[0136]
[0137] 其中LMD＝LM×MD是|L|×|D|维矩阵。
[0138] 基于上面构建的矩阵NAAM，对于任意给定的LncRNA节点li∈L和疾病节点dj∈D，li和dj之间的潜在关联概率可以根据以下公式(10)获得：
[0139]
[0140] 参数K是大于1的整数，参数γ满足0<γ<1。
[0141] 此外，根据上述公式(9)，很明显，(|L|+|D|)×(|L|+|D|)维矩阵S描述了所有LncRNA-疾病关联对的关联可能性，并且可以进一步表示为以下分区形式：
[0142]
[0143] 其中S11是|L|×|L|二维矩阵，S12是|L|×|D|二维矩阵，S21是|D|×|L|二维矩阵，S22是|D|×|D|二维矩阵。S12是最终预测结果矩阵，其中显示LncRNA与疾病之间的潜在关联。
[0144] S34：评估对上述方法的预测性能的影响，而K和γ设置不同的值。但考虑到时间和成本，在仿真实验过程中，参数K仅被设置为2,3和4，然后可以得到矩阵S12如下：
[0145] (1)K＝2:S12＝γ*LD+γ2*(NSL×LMD+LMD×NSD)；
[0146] (2)K＝3:S12＝S122+γ3*(LMD×LMDT×LMD+NSL2×LMD+NSL×LMD×NSD+LMD×NSD2)；
[0147] (3)K＝4:S12＝S123+γ4*(NSL3×LMD+LMD×LMDT×NSL×LMD+NSL×LMD×LMDT×LMD+LMD×NSD×LMDT×LMD)+γ4*(LMD×LMDT×LMD×NSD+NSL2×LMD×NSD+NSL×LMD×NSD2+LMD×NSD3)；
[0148] S4：使用已知的LncRNA-疾病关联对作为验证集对预测模型进行验证。
[0149] S41：AUC值的计算：
[0150] 将每个已知的LncRNA-疾病关联对依次作为验证集，然后进一步评估这个关联与候选样本的关联程度。在这里，候选样本由所有LncRNA-疾病关联对组成，即那些没有确定的实验支持的关联对。此外，所有其他已知的LncRNA-疾病关联对被视为训练样本。因此，在完成预测模型的实施之后，可以进一步获得每个验证集样本相对于候选样本的排名。如果对验证集预测的排名高于事先给定的阈值，即认为这是一个成功的预测。因此，通过设置不同的阈值，可以进一步获得相应的真阳性率(TPR，灵敏度)和假阳性率(FPR，1-特异性)。在此定义TPR是预测验证样本的排名高于给定预测的百分比，而FPR是排名低于给定阈值的验证样本的百分比。然后可以通过绘制TPR和FPR的不同阈值接收器操作特性(ROC)曲线。进一步计算ROC曲线下面积(AUC)。
[0151] S5：根据验证的结果调整预测模型的参数，优化所述预测模型。
[0152] 通过对不同参数的调整，比如公式(6)中的ak，公式(8)中的βk,公式(10)中的K，γ,根据模型获得的AUC值，训练最佳的预测模型。
[0153] 实施例3：
[0154] 作为一个总的技术构思，本实施例还提供一种与上述实施例中的方法想对应的预测疾病与LncRNA关联关系的系统，包括：网络构建单元，用于从已知数据库获取LncRNA-miRNA关联关系和miRNA-疾病关联关系，根据二者构建LncRNA-miRNA-疾病相互作用网络；表达谱构建单元，用于基于所述LncRNA-miRNA-疾病相互作用网络，构建疾病超级表达谱和LncRNA的超级表达谱；模型构建单元，用于根据所述疾病超级表达谱和LncRNA的超级表达谱，采用基于RBF神经网络的LncRNA相似性计算和疾病相似性计算，训练疾病与LncRNA关联关系的预测模型；预测单元，用于使用预测模型对候选样本的LncRNA-疾病关联对进行预测。
[0155] 本实施例还提供一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一实施例的步骤。
[0156] 综上可知，本发明考虑了miRNA所携带的信息，这使得在原始数据上就比其他方法所用的原始数据丰富；首次开发出了超级表达谱计算LncRNA的相似性以及疾病的相似性；计算得出的AUC值比其他的方法要高，这表明预测的结果有更高的可靠性。
[0157] 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。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 容量资源的预测方法及装置 | 2020-08-03 | 0 |
| 基于改进K-means聚类与支持向量机的风功率预测方法 | 2020-08-21 | 1 |
| 一种基于历史数据的汽车行驶轨迹及里程预测方法 | 2021-05-22 | 1 |
| 应用于高通量卫星的递归优化最小均方波束形成方法 | 2021-12-10 | 1 |
| 一种基于无迹卡尔曼滤波和神经网络的光伏发电预测方法 | 2022-08-10 | 0 |
| 基于特征自适应选择和WDNN的风电爬坡事件预测方法 | 2020-06-19 | 0 |
| 基于有监督的无标记异常识别方法、装置及存储介质 | 2020-08-14 | 1 |
| 一种基于选择性隐朴素贝叶斯分类器的网络故障诊断方法 | 2021-06-19 | 1 |
| 模型训练及获取附加特征数据的方法、装置、设备及介质 | 2020-06-05 | 0 |
| 基于检测到的触发事件的应用程序建议 | 2021-10-31 | 0 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈