[发明专利]基于图神经网络的miRNA-疾病关联预测

说明书

本发明提供了基于图神经网络的miRNA‑疾病关联预测。由于传统的神经网络模型无法处理miRNA‑疾病关联预测领域的不规则的非欧式空间数据。因此我们选用GraphSAGE模型对图节点进行特征提取。首先我们将整合的疾病相似度、整合的miRNA相似度映射到相同的特征空间，并利用已知的关联数据构建miRNA‑疾病二部图作为GraphSAGE的输入。通过GraphSAGE模型聚合邻居节点的信息，丰富节点特征表示，为下游预测任务提供有效的数据。最后将学习到的miRNA和疾病的潜在特征加权拼接后作为深度神经网络预测模型的输入，获得关联得分。利用交叉熵损失函数反向传播训练模型参数。

技术领域

本发明涉及特征提取方法，尤其涉及一种基于图神经网络的局部特征提取手法。

背景技术

研究表明，miRNA作为一种非编码RNA参与调控了各个层次的生命活动和大部分的病理过程。识别与疾病相关的miRNA对疾病的诊断和治疗有重大意义，但是传统的生物实验具有很大的不确定性且费时费力，因此需要先进的智能计算模型解决此问题。目前，主要通过得分模型、机器学习算法、深度学习算法来实现miRNA-疾病关联预测。

传统的神经网络模型在提取欧式空间数据方面取得了较大的成功，但是对于不规则的非欧式空间数据则比较吃力。所以图神经网络应运而生，图神经网络的主要思想是首先寻找中心节点的邻居节点，进而通过一定的方法将邻居节点所携带的信息聚集到中心节点。通过这样的思想学到的特征表示不仅所携带的信息更加丰富了，而且一定程度上还可以保护图的拓扑结构。因此我们的方法选用GraphSAGE模型提取miRNA和疾病的特征表示。

发明内容

鉴于此发明提出了基于图神经网络的miRNA-疾病关联预测。本发明利用图的局部信息，为每个miRNA、疾病对学习丰富的特征表示。

本发明所采用的技术方案如下：

A、基于疾病语义相似度和高斯轮廓核相似度计算疾病初始特征表示，基于miRNA功能相似度和高斯轮廓核相似度计算miRNA初始特征表示。

B、基于miRNA和疾病的初始特征表示构建图神经网络编码器的输入数据。

C、基于GraphSAGE的miRNA、疾病潜在特征提取。

D、基于深度神经网络构建得分预测模型。

E、基于交叉熵损失函数反向传播训练模型参数。

根据权A所述的基于疾病语义相似度和高斯轮廓核相似度计算疾病初始特征表示，基于miRNA功能相似度和高斯轮廓核相似度计算miRNA初始特征表示。本发明使用从HMDD数据库中下载已知的miRNA-疾病关联数据，在MESH数据库中下载疾病语义描述并构建有向无环图。通过构建的有向无环图分别计算疾病语义相似度和miRNA功能相似度，利用已知的关联矩阵计算疾病和miRNA的高斯轮廓核相似度，最后将两种相似聚合。

根据B所述的基于miRNA和疾病的初始特征表示构建图神经网络编码器的输入数据。由于本发明使用DGL框架构建图神经网络模型，模型的输入数据为图和节点的特征表示，并且特征表示要求嵌入维度相同。所以对疾病和miRNA的初始特征表示进行特征映射，将它们统一为相同的维度。

根据C所述的基于GraphSAGE的miRNA、疾病潜在特征提取。本发明构建了三层的GraphSAGE网络，GraphSAGE的第一步骤为选择中心节点的邻居节点，第二步为聚合邻居节点信息到中心节点。在聚合信息阶段，本发明使用MEAN聚合器。

根据权利D所述的基于深度神经网络构建得分预测模型。本发明构建三层全连接层网络，两层隐藏层，并且层与层之间使用Relu激活函数。最后为得分预测输出层，使用sigmoid激活函数激活后输出。