人类长非编码RNA-疾病关系网络的表示学习研究

发布时间：2024-12-29 23:53

　　随着人类长非编码RNA和疾病关系研究不断深入,出现了预测长非编码RNA-疾病关系的方法。引入被证实的长非编码RNA和疾病的关系组建关系网络,科研人员使用网络表示学习获得节点表示向量,用于预测长非编码RNA-疾病关系。节点表示向量在网络相关分析中能起到很好的效果。本课题使用长非编码RNA和疾病的关系数据,构建了由190个长非编码RNA和疾病节点组成的一个双层关系异质网络。这个网络包含有的内部关系3633条无向边。然而,基于本课题网络关系数据,同质网络表示学习方法没有增加社区约束信息,异质网络表示学习方法没有引入同类型节点相似性数据。同质网络表示学习方法缺少社区约束,对长非编码RNA-疾病关系异质网络做同质化输入处理后,对长非编码RNA相似性网络和疾病相似性网络进行社区发现、增加社区约束的改进和网络关系预测实验分析。异质网络表示学习方法存在无法利用到长非编码RNA和疾病的相似性数据的问题,在长非编码RNA-疾病关系异质网络上,引入社区成员以增加跳转对象、结合相似性网络的改进和网络关系预测实验分析。这里使用AUC(Area Under Curve)值作为关系预测模型的评价标准。两种改进表示学习...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景及研究的目的和意义
    1.2 国内外研究现状及分析
        1.2.1 网络表示学习方法研究现状
        1.2.2 长非编码RNA-疾病网络关系预测研究现状
    1.3 主要研究内容和组织结构
        1.3.1 主要研究内容
        1.3.2 论文组织结构
第2章 人类长非编码RNA-疾病关系网络构建和关系预测
    2.1 引言
    2.2 人类长非编码RNA-疾病关系网络构建
        2.2.1 长非编码RNA-疾病关联数据描述
        2.2.2 人类长非编码RNA-疾病二分网络构建
        2.2.3 疾病相似性网络构建
        2.2.4 人类长非编码RNA相似性网络构建
        2.2.5 关联关系异质网络构建
        2.2.6 关联关系异质网络性质分析
    2.3 网络关系预测方法介绍
        2.3.1 重启随机游走RWR方法的关系预测
        2.3.2 基于Deepwalk网络表示学习的关系预测
        2.3.3 基于Node2vec网络表示学习的关系预测
        2.3.4 人类长非编码RNA-疾病关联关系预测
    2.4 本章小结
第3章 基于社区约束的同质网络表示学习方法
    3.1 引言
    3.2 基于模块度的社区发现算法
    3.3 基于社区约束的同质网络表示学习
    3.4 实验分析
        3.4.1 相似性网络的处理和社区发现
        3.4.2 实验结果评估方法
        3.4.3 组合阈值网络的关联预测分析
        3.4.4 社区约束的关联预测实验分析
    3.5 本章小结
第4章 结合相似性网络的异质网络表示学习方法
    4.1 引言
    4.2 节点表示向量距离计算方法
    4.3 基于异质网络属性的表示学习
    4.4 结合相似性网络的异质网络表示学习
    4.5 实验分析
        4.5.1 异质网络关联预测实验分析
        4.5.2 结合相似性网络的关联预测实验分析
        4.5.3 节点相似度计算实验结果分析
    4.6 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢



本文编号：4021473