[发明专利]基于相似性的病毒-受体相互作用关系预测方法和装置

权利要求书

1.一种基于相似性的病毒-受体相互作用关系预测方法,其特征在于，包括以下步骤：

步骤1：构建病毒相似性矩阵S_v和受体相似性矩阵S_p；根据已知的病毒-受体相互作用关系数据，分别计算病毒的高斯核相似性矩阵G_v和受体的高斯核相似性矩阵G_p；根据受体的序列信息计算得到受体的序列相似性矩阵G_s；

将病毒的高斯核相似性矩阵G_v作为最终的病毒的最终相似性矩阵S_v；

由受体的高斯核相似性矩阵G_p和序列相似性矩阵G_s集成得到最终的受体相似性矩阵S_p；

步骤2：基于已知的病毒-受体相互作用关系数据、病毒相似性矩阵S_v和受体相似性矩阵S_p，预测各个病毒-受体对的相互作用关系分数，即各个病毒-受体对存在相互作用关系的可能性；

所述步骤2中，基于拉普拉斯正则化最小二乘法的方法预测各个病毒-受体对的相互作用关系分数，预测流程如下：

首先，根据病毒相似性矩阵S_v和受体相似性矩阵S_p，分别构建对应的正则化的拉普拉斯矩阵：

L^v＝(D^v)^-1/2(D^v-S_v)(D^v)^-1/2

L^p＝(D^p)^-1/2(D^p-S_p)(D^p)^-1/2

其中，D^v为N_v×N_v的对角矩阵，其对角元素D^v(i,i)为病毒相似性矩阵S_v的第i行的所有元素之和；D^p为N_p×N_p的对角矩阵，其对角元素D^p(j,j)为受体相似性矩阵S_p的第j行的所有元素之和；其中N_v为病毒的数量；N_p为受体的数量；

然后，分别从病毒侧和受体侧构建预测矩阵F_v和F_p的优化模型：

其中，Y为病毒-受体相互作用关系的邻接矩阵，和分别表示F_v和F_p的最优解，||.||_F表示矩阵的F-范数；β_v和β_p为平滑参数，为经验参数；

再求解优化模型，得到和

最后，求和的加权平均值，获取最终的病毒-受体相互作用关系预测矩阵F^*；

所述优化模型中，病毒-受体相互作用关系的邻接矩阵Y采用经过初始化处理后的矩阵Y，初始化处理方法如下：

对每个病毒v_i，若其与所有受体均不存在已知的相互作用关系，即Y(i,:)＝[Y(i,1),Y(i,2),...,Y(i,N_p)]为零向量，则根据病毒相似性矩阵S_v更新其中的元素Y(i,j)，即初始化病毒v_i与受体p_j的相互作用关系分数，公式如下：

其中，S_v(i,n)为病毒相似性矩阵S_v中第i行第n列的元素，即病毒v_i和病毒v_n的相似性；i,n＝1,2,…,N_v；j,m＝1,2,…,N_p；

同样地，对每个受体p_j，若其与所有病毒都不存在已知的相互作用关系，即Y(:,j)＝[Y(1,j),Y(2,j),...,Y(N_v,j)]^T为零向量，则根据受体相似性矩阵S_p更新其中的元素Y(i,j)，即初始化受体p_j与病毒v_i的相互作用关系分数，公式如下：

其中，S_p(j,m)为受体相似性矩阵S_p中第j行第m列的元素，即受体p_j和受体p_m的相似性。