[发明专利]基于深度学习的非编码RNA与疾病之间关联的预测方法

权利要求书

1.一种基于深度学习的非编码RNA与疾病之间关联的预测方法，其特征在于：所述方法包括以下步骤：

S1、对L个长非编码RNA计算其不同层次的相似矩阵，所述不同层次的相似矩阵包括基于长非编码RNA的序列信息求得其相似矩阵SL₁、基于已知的长非编码RNA与疾病的交互谱信息求得其相似矩阵SL₂、基于长非编码RNA的组织表达数据求得其相似矩阵SL₃；基于长非编码RNA与微小RNA的交互信息，求得其相似矩阵SL₄；对D个疾病计算其不同层次的相似矩阵，所述不同层次的相似矩阵包括基于疾病的语义信息，求得其相似矩阵SD₁、基于已知的疾病与长非编码RNA的交互谱信息求得其相似矩阵SD₂、基于疾病与微小RNA的交互信息求得其相似矩阵SD₃；

S2、针对长非编码RNA与疾病关联对，构建其关联特征矩阵T；每一个长非编码RNA与疾病的关联对可得到12个关联特征矩阵T；

S3、构造样本数据，其中，正样本为所有已知关联的长非编码RNA与疾病对，负样本在未知关联对中随机挑选3倍于正样本数目的长非编码RNA与疾病对；针对特定的关联对样本，其得到的12个特征矩阵看作是该关联对样本的12个通道数据；基于以上样本数据，构建5层卷积神经网络和两层全连接网络进行训练，逐层卷积神经网络的学习过程为对12个通道数据的特征融合过程，可将初始低层次关联特征不断整合为最终的高层次关联特征；

S4、针对未知关联的非编码RNA和疾病对，利用步骤S1、S2构建其12层关联特征，利用步骤S3学习得到的网络模型对该未知关联的非编码RNA与疾病对进行关联程度预测，预测关联得分越高表征该非编码RNA与特定疾病具有关联的可能性越大。

2.根据权利要求1所述的方法，其特征在于：所述步骤S1中，基于长非编码RNA的序列信息，利用Smith-Waterman序列比对方法，求得其相似矩阵SL₁；基于已知的长非编码RNA与疾病的交互谱信息，利用高斯核交互谱统计方法，求得其相似矩阵SL₂；基于长非编码RNA的组织表达数据，利用spearman相关系数计算方法求得其相似矩阵SL₃；基于长非编码RNA与微小RNA的交互信息，利用Fisher精确检验统计方法，求得其相似矩阵SL₄。

3.根据权利要求2所述的方法，其特征在于：不同层次量化得到的长非编码RNA相似矩阵SL₁、SL₂、SL₃、SL₄均为L×L维的矩阵，具体形式如下：

其中k＝{1，2,3，4}，r_k，i，j表示第k个层次的长非编码RNA相似矩阵中第i个长非编码RNA与第j个长非编码RNA的相似程度值。

4.根据权利要求1所述的方法，其特征在于：所述步骤S1中，基于疾病的语义信息，利用最优匹配方法，求得其相似矩阵SD₁；基于已知的疾病与长非编码RNA的交互谱信息，利用高斯核交互谱统计方法，求得其相似矩阵SD₂；基于疾病与微小RNA的交互信息，利用Fisher精确检验统计方法，求得其相似矩阵SD₃。

5.根据权利要求4所述的方法，其特征在于：不同层次量化得到的疾病相似矩阵SD₁、SD₂、SD₃均为D×D维的矩阵，具体形式如下：

其中n＝{1,2,3}，t_n,i,j表示第n个层次疾病相似矩阵中第i个疾病与第j个疾病之间的相似程度值。