[发明专利]一种基于异构图卷积神经网络的合成致死相互作用预测方法

说明书

本发明涉及生物信息学中的数据挖掘领域，具体涉及一种基于异构图卷积神经网络的合成致死相互作用预测方法。其发明内容主要包括：(1)收集已知合成致死相互关联数据、基因GO信息数据、基因PPI数据；(2)进行基因GO相似性分析，利用基于语义基因功能相似性度量算法对基因与基因之间的GO功能相似性进行度量，构建基因基于GO功能相似性的特征；(3)进行基因基于PPI特征的构建，利用蛋白质相互关联数据构建蛋白质和蛋白质之间的关联网络，通过随机游走的方式获取每一个基因基于蛋白质相互关联网络的特征；(4)利用合成致死相互关联数据构建邻接矩阵，融合基因基于GO功能相似性特征和基于PPI特征的领域特征；(5)构建基于图卷积神经网络的合成致死对预测模型，预测潜在的合成致死相互作用，得到最终结果。

技术领域

本发明涉及生物信息学中的数据挖掘领域，具体涉及一种基于异构图卷积神经网络的合成致死相互作用预测方法。

背景技术

合成致死(SL)在肿瘤治疗中起着至关重要的作用，因为它能够在不干扰正常细胞的情况下识别特定的靶向基因来杀死肿瘤细胞。由于通过高通量湿实验设置验证SL对往往非常昂贵而且耗时，同时也面临着各种各样的挑战。因此，近年来，许多研究者试图通过使用计算方法来验证、预测SL对，从而显著降低了识别SL对相互作用的成本和时间。

早期的SL对识别的计算方法可以分为两大类：基于大数据和数据挖掘的方法。这种数据驱动的方法又包括生物网络拓扑的方法、数据挖掘方法和统计筛选的方法。与高通量湿实验方法相比，计算方法是一种有吸引力的替代方法，它可以帮助识别并优先排序潜在SL基因，以便进行进一步的实验验证。例如DAISY(Jerby-Arnon,L.,et al.PredictingCancer-Specific Vulnerability via Data-Driven Detection of SyntheticLethality.Cell 158.5(2014):1199-1209.)利用细胞拷贝数变化、shRNA和基因表达谱三种独立的策略来预测潜在的SL对。ISLE(Sang,L.J.,et al.Harnessing syntheticlethality to predict the response to cancer treatment.Nature Communications9.1(2018):2546-.)使用高通量实验筛选的SL对作为输入，通过滤波算法来获得临床相关的SL对。

此外，基于特征的机器学习的方法在解决许多生物问题方面也收到广泛关注，这些方法往往利用酵母和人类相关基因组学数据来预测潜在SL对，如基因表达、蛋白质-蛋白质相互作用(PPI)、功能/途径注释和进化模式等来构建基因的潜在特征，并使用可用的SL对数据集构建训练集，最后从这些训练集中学习预测模型。然而，基于特征的机器学习的方法往往是将基因孤立地映射成为了孤立的潜在表示，而忽视了邻居基因信息。同时，随着各大公开数据源的完善，可利用的生物学数据越来越多，选择哪些异构数据进行处理从而得到更有效的特征表示也成了一大挑战。

有鉴于此，本发明提出了一种基于异构图卷积神经网络的SL相互作用预测方法，以识别潜在的SL相互关联。

发明内容

本发明提出了一种基于异构图卷积神经网络的SL相互作用预测方法，用以识别潜在的SL相互作用，主要包括以下步骤：

(1)收集已知SL相互关联数据、基因GO信息数据、基因PPI数据；

(2)进行基因GO相似性分析，利用基于语义基因功能相似性度量算法对基因与基因之间的GO功能相似性进行度量，构建基因基于GO功能相似性的特征；

(3)进行基因基于PPI特征的构建，利用蛋白质相互关联数据构建蛋白质和蛋白质之间的关联网络，通过随机游走的方式获取每一个基因基于蛋白质相互关联网络的特征；

(4)利用SL相互关联数据构建邻接矩阵，融合基因基于GO功能相似性特征和基于PPI特征的领域特征；