[发明专利]基于条件随机场的微生物-疾病关联性预测方法及系统

权利要求书

1.一种基于条件随机场的图卷积网络预测微生物-疾病关联方法，其特征在于，包括以下步骤：

获取微生物和疾病的对应关系数据，构建微生物-疾病关联矩阵；

根据所述微生物-疾病关联矩阵，获取微生物之间和疾病之间的相似性矩阵，与微生物-疾病关联矩阵整合得到邻接矩阵；

对所述微生物之间和疾病之间的相似性矩阵分别进行特征提取，组合得到特征矩阵；

基于图卷积网络，根据所述邻接矩阵和特征矩阵，生成嵌入向量；

根据条件随机场对嵌入向量进行更新；

根据更新后的嵌入向量对关联矩阵进行重构。

2.如权利要求1所述的基于条件随机场的图卷积网络预测微生物-疾病关联方法，其特征在于，所述微生物-疾病关联矩阵的每一行表示一种微生物，每一列表示一种疾病，矩阵中的元素表示相应微生物和疾病之间是否有关。

3.如权利要求1所述的基于条件随机场的图卷积网络预测微生物-疾病关联方法，其特征在于，微生物相似性矩阵计算方法为：

分别计算微生物的高斯相互作用剖面核相似性和余弦相似性，并根据高斯相互作用剖面核相似性和余弦相似性得到微生物的综合相似性。

4.如权利要求1所述的基于条件随机场的图卷积网络预测微生物-疾病关联方法，其特征在于，疾病相似性矩阵计算方法为：

分别计算疾病的高斯相互作用剖面核相似性和功能相似性，并根据高斯相互作用剖面核相似性和功能相似性得到疾病的综合相似性。

5.如权利要求1所述的基于条件随机场的图卷积网络预测微生物-疾病关联方法，其特征在于，对所述微生物之间和疾病之间的相似性矩阵分别采用重新启动的随机游走方法进行特征提取，得到微生物和疾病的概率剖面向量。

6.如权利要求1所述的基于条件随机场的图卷积网络预测微生物-疾病关联方法，其特征在于，基于图卷积网络，根据所述邻接矩阵和特征矩阵，生成嵌入向量包括：

H^l表示l层GCN嵌入,H⁽⁰⁾＝X，表示具有自循环的归一化相似度权重矩阵，表示对角矩阵,W^l表示权重矩阵，σ表示激活函数，I表示单位矩阵。

7.如权利要求1所述的基于条件随机场的图卷积网络预测微生物-疾病关联方法，其特征在于，根据条件随机场对嵌入向量进行更新包括：

其中初始嵌入设置为Hⁱ，Hⁱ表示从GCN卷积层获得的节点i的初步嵌入，λ_ij表示节点i和节点j之间的注意力得分，N_i是节点i的邻居，α和β是权值因子，以平衡第一项和第二项对预测性能的影响。

8.一种基于图数据增强的微生物-疾病关联性预测系统，其特征在于，包括：

已知关联性获取模块，被配置为获取微生物和疾病的对应关系数据，构建微生物-疾病关联矩阵；

邻接矩阵计算模块，被配置为根据所述微生物-疾病关联矩阵，获取微生物之间和疾病之间的相似性矩阵，与微生物-疾病关联矩阵整合得到邻接矩阵；

特征预处理模块，被配置为对所述微生物之间和疾病之间的相似性矩阵分别进行特征提取，组合得到特征矩阵；

特征嵌入模块，被配置为基于图卷积网络，根据所述邻接矩阵和特征矩阵，生成嵌入向量；根据条件随机场对嵌入向量进行更新；

关联预测模块，被配置为根据更新后的嵌入向量对关联矩阵进行重构。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于条件随机场的图卷积网络预测微生物-疾病关联方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于条件随机场的图卷积网络预测微生物-疾病关联方法。