基于随机游走和卷积神经网络的miRNA-疾病关联预测研究

发布时间：2021-03-02 14:16

　　识别与疾病相关的microRNA（miRNA）有助于我们了解疾病的病因以及发病机理。研究发现miRNA是通过调控靶基因（mRNA）的表达,进而行使其生物学功能。然而,经生物实验验证的靶基因数量较少。因此,很多基于靶基因来预测疾病相关的miRNA方法很难达到理想的预测效果。目前,大多数预测与疾病相关的miRNA的方法都基于这样一个生物前提,miRNA功能越相似其所关联的疾病就越相似,反之亦然。这些方法利用miRNA和疾病相关信息构建miRNA-疾病双层异构网络,通过整合网络中多种信息来预测疾病潜在关联的miRNA。但是这些方法在计算miRNA相似性过程中,并没有考虑miRNA家族信息对相似性的影响。因为源于同一个家族的miRNA通常协同参与到疾病的发生发展过程中,所以,将家族信息融入miRNA相似性计算中是很有必要的。此外这些预测方法都是基于浅层模型提出的,很难挖掘出miRNA与疾病之间隐含的、复杂的、非线性的深层特征。这将在一定程度上影响这些方法预测性能的提升。针对以上提及的不足,我们提出了两类预测方法:第一类,基于有重启的随机游走关联预测方法,第二类,基于双路卷积神经网络的关联预测方... 

【文章来源】：黑龙江大学黑龙江省

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

动物miRNA的产生以及作用过程

图 2-2 肝癌和胰腺癌 DAGs 图Figure 2-2 The DAGs of the liver neoplasms and pancreatic neoplasms我们以图 2-2 中肝癌和胰腺癌共有的语义标注为例，详细描述两者语义相似性 ( )的计算过程。图中肝癌（Liver neoplasms）语义位于第一层，是最具体的语义标注，因此对自身的语义贡献最大被设定为 1.0，消化系统疾病（Digestivesystem neoplasms）处于第二层，该语义标注相较于肝癌更加具有概括性，因此它的语义贡献则需要在肝癌语义值的基础上乘以贡献因子 = 0.5。类似的，我们可以计算得到第三层和第四层各节点的语义贡献值（各层节点语义标注的贡献权重可表示为 ，其中参数 表示某个疾病语义在 DAG 图中位于第几层）。综上，肝癌的语义值 DV(LN) = 1.0 (‘Liver neoplasms’) + 0.5 (‘Digestive system neoplasms’) +0.5 * 0.5(‘Neoplasms by site’) + 0.5 * 0.5 * 0.5(‘Neoplasms’) + 0.5(‘Liver disease’) +0.5 * 0.5(‘Digestive system disease’) = 2.625。同理，胰腺癌的语义 DV(PN) = 3.375。图 2-2 中蓝色的节点表示肝癌和胰腺癌共有的语义标注，根据公式（2-3）可以计

黑龙江大学硕士学位论文人[26]（Liu’s Method，2016）的方法分别进行了性能对比。法中涉及的参数都需要进行调整，以获得最佳预测性能。本，它们在实验中设定的值分别如下： 0.5、 0.2、 .9。对于其它 3 个方法，我们都采用相应论文中提及的参数 参数设定： 0.2、 0.8、 0.2、 0 3、 2.26，Liu’s Method 参数设定： 0.8、 0.


本文编号：3059408