基于HeteSim的疾病关联长非编码RNA预测

发布时间：2021-04-13 20:53

　　越来越多的研究表明,长非编码RNA（long non-coding RNA, lncRNA）在许多生物过程中具有重要的功能,而这些长非编码RNA的变异或功能失调会导致一些复杂疾病的发生.通过生物信息学方法预测潜在的长非编码RNA-疾病关联关系,对于致病机理的探索以及疾病诊断、治疗、预后和预防都具有重要的意义.基于疾病基因关联关系的异质信息网络,研究者使用了一种相关性计算法方法——HeteSim来计算疾病基因之间的相关性,进而预测致病基因.使用的方法基于路径约束,具有可扩展性,算法效率高,留一交叉验证实验表明该方法的预测结果优于其他方法.将其应用在卵巢癌和胃癌的预测分析中,相关文献表明,所提方法的预测结果已被生物实验等验证,再次表明该方法的有效性. 

【文章来源】：计算机研究与发展. 2019,56(09)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

图１异质信息网络实例和元路径［２４］Ｆｉｇ．１Ｈｅｔｅｒｏｇｅｎｅｏｕｓｉｎｆｏｒｍａｔｉｏｎｎｅｔｗｏｒｋｉｎｓｔａｎｃｅａｎｄｍｅｔａ－ｐａｔｈ［２４］

Ｒ，ＰＬ＝Ａ１Ａ２…Ａｍｉｄ－１Ｍ，ＰＲ＝ＭＡｍｉｄ＋１…Ａｌ＋１．Ｍ为路径中的中间类型对象，当路径长度为偶数时ｍｉｄ＝ｌ２＋１，当路径长度为奇数时ｍｉｄ＝ｌ＋１２＋１．对于我们选择的元路径ｌｎｃＲＮＡ－疾病－ｌｎｃＲＮＡ－疾病（ＬＤＬＤ），由于路径长度是奇数，元路径两端的２个节点始终都不会在１个点相遇，因此我们需要插入中间类型Ｍ从而使路径可以等分成路径ＰＬ＝ＬＤＭ和ＰＲ＝ＭＬＤ，如图３所示：Ｆｉｇ．３ＢｅｆｏｒｅａｎｄａｆｔｅｒｉｎｓｅｒｔｉｏｎｏｆｔｈｅｉｎｔｅｒｍｅｄｉａｔｅｔｙｐｅＭ图３插入中间类型Ｍ前后下面介绍如何利用矩阵乘法计算ｌｎｃＲＮＡ和疾病之间的关联得分．首先，我们定义２类矩阵：转移概率矩阵和可达概率矩阵．定义２．转移概率矩阵．定义有向元路径Ａ→?ＲＢ，对象Ａ和对象Ｂ之间的连接关系为Ｒ（Ａ和Ｂ表示同一类型对象构成的集合），Ａ和Ｂ之间的关系可以用０?１邻接矩阵ＷＡＢ表示，元素１表示２节点连通，元素０表示２节点不连通．将０?１邻接矩阵ＷＡＢ分别按照行向量和列向量进行标准化操作，得到矩阵ＸＡＢ和ＹＡＢ．ＸＡＢ和ＹＡＢ就是转移概率矩阵，分别表示Ａ→?ＲＢ和ＢＲ→?－１Ａ这２种有向关系．根据矩阵的性质，可以得到：ＸＡＢ＝ＹＴＢＡ，ＹＡＢ＝ＸＴＢＡ．定义３．可达概率矩阵．转移概率矩阵是可达概率矩阵的特例

公式为ＦＰＲ＝ＦＰＦＰ＋ＴＮ，（４）ＴＰＲ＝ＴＰＴＰ＋ＦＮ．（５）ＴＰＲ表示的是移除的关联边排名在ｋ％以内的比率；ＦＰＲ表示的是不存在的关联边排名在ｋ％以内的比率．当阈值ｋ在１～１００之间变化时可以得到相应的ＴＰＲ和ＦＰＲ．通过这种方式，可以绘制ＲＯＣ曲线，从而计算ＡＵＣ．按照以上步骤，我们在ｌｎｃＲＮＡ－疾病异质信息网络上进行了留一交叉验证，并取得了０．６８２８的ＡＵＣ．相应的ＲＯＣ曲线如图４所示：Ｆｉｇ．４Ｌｅａｖｅ－ｏｎｅ－ｏｕｔｃｒｏｓｓｖａｌｉｄａｔｉｏｎＲＯＣｃｕｒｖｅ图４留一交叉验证ＲＯＣ曲线图为了提高方法的性能，我们将编码基因和疾病关联关系整合到ｌｎｃＲＮＡ－疾病网络中得到基因－疾病异质信息网络．我们在基因－疾病异质信息网络上进行了留一交叉验证，负样本的构造方法与之前类似，得到的ＡＵＣ值为０．７８３５，如图４所示．很明显，马毅等：基于ＨｅｔｅＳｉｍ的疾病关联长非编码ＲＮＡ预测３９８１

【参考文献】：
期刊论文
[1]动态蛋白质网络的构建、分析及应用研究进展[J]. 李敏,孟祥茂.  计算机研究与发展. 2017(06)



本文编号：3135991