[发明专利]一种基于相似性和低秩矩阵填充的微生物-疾病关系预测方法

说明书

本发明公开了一种基于相似性和低秩矩阵填充的微生物‑疾病关系预测方法，首先通过疾病高斯核相似性、疾病表征相似性和疾病功能相似性均值集成方式得到最终的疾病相似性。利用已知的微生物‑疾病关联关系计算微生物的高斯核相似性，再根据微生物的寄生组织信息对高斯核相似性进行调节处理，得到最终的微生物相似性。最终通过已知微生物‑疾病关联关系将微生物相似性网络和疾病相似性网络进行连接，构建一个微生物和疾病的异构网络。根据此异构网络的关联关系矩阵，采用低秩矩阵填充的方法来进行微生物‑疾病关联关系的预测，并在填充之前增加了关联关系初始化处理过程提高了其预测精度。本发明能够有效预测微生物‑疾病关联关系。

技术领域

本发明属于系统生物学领域，涉及一种基于相似性和低秩矩阵填充的微生物-疾病关系预测方法。

背景技术

随着高通量测序技术和微生物组学的发展，许多研究表明微生物与人类疾病之间存在密不可分的关联关系。微生物通过参与代谢、凋亡等重要的生命进程来对人类疾病和身体健康产生影响，比如心血管疾病、自身炎症性疾病以及癌症等。当前对微生物-疾病关联关系主要分为四类。一类是微生物的改变是疾病的直接原因；另一类为微生物和疾病没有直接的关联关系，但是存在一个共同的第三方因素；第三类为疾病能够影响微生物的改变使得其能够作为疾病诊断的生物标记；最后一类为疾病能够影响微生物的改变，其反过来又进一步影响疾病的严重程度。所以，确认微生物与疾病之间的关联关系有助于加深对疾病机制的理解，提高疾病的诊断和治疗效率。

此外，研究人员通过手动方式从生物医学实验文献中提取微生物-疾病关联关系建立了微生物-疾病关联关系数据库，为通过计算模型预测微生物-疾病关联关系提供了重要的基础。计算方法相对传统的生物医学实验具有高效、低成本的优势。到目前为止，基于微生物-疾病关系数据库的建立，微生物-疾病关联关系预测的方法也得到了发展。KATZHMDA方法通过集成疾病的表征和高斯核相似性，微生物高斯核相似性和已知的微生物-疾病关联关系利用基于KATZ度信息的网络方法来预测微生物-疾病关联关系。在基于网络路径的PBHMDA方法中，利用了已知的微生物高斯核相似性，疾病高斯核相似性和已知的微生物-疾病关联关系来预测潜在的微生物-疾病关联关系。NGRHMDA也利用了疾病的表征相似性和高斯核相似性，微生物高斯核相似性和已知的微生物-疾病关系来预测新的微生物-疾病关联关系。该方法的主要特点是最终的候选微生物-疾病对的关联关系分数通过基于邻居的预测模型和基于图的预测模型的均值来得到。LRLSHMDA是一个基于最小二乘法的机器学习方法，其也利用了疾病的高斯核相似性，微生物高斯核相似性和已知的微生物-疾病关联关系。这些方法在微生物-疾病关系的预测上取得了不错的预测效果，也为后续的研究提供了可能的删选依据。

但是，在当前的微生物-疾病关系的预测过程中，还存在噪声，影响最终的预测性能。比如，在对疾病的生物网络信息的集成中，这些方法都只利用了疾病的高斯核相似性或者疾病表征相似性，而对疾病的功能相似性没有考虑。此外微生物的寄生组织信息也是值得考虑的一个重要方面。故介于传统的生物医学实验在试验环境、效率和成本方面的限制，迫切需要通过计算模型来确认潜在的微生物-疾病关联关系。尽管当前已有的预测方法取得了不错的进展，但还是有进一步改进的余地。总而言之，当前对微生物-疾病关联关系的理解还是远远不够的，对发展更加有效的计算模型来预测微生物-疾病关系提出了紧迫的需求。为了更加系统的理解疾病的致病机理，提高疾病的诊断和治疗效率，有必要提出一种有效的微生物-疾病关联关系预测的计算方法。

发明内容

本发明所要解决的技术问题是，针对当前通过计算模型对微生物-疾病关系进行预测的方法中存在的微生物和疾病相关生物信息利用不够的问题，提出一种基于相似性和低秩矩阵填充的微生物-疾病关系预测方法，该方法集成疾病高斯核、表征相似性和功能相似性的均值来得到最终的疾病相似性网络，微生物相似性在高斯核相似性基础上利用其寄生组织信息进行调节来获取。本发明能够充分利用微生物和疾病相关生物信息，以减少预测过程中的噪声，能较准确的预测微生物-疾病关系，为后续生物医学实验提供基础，进一步提高疾病的诊断和治疗效率。