[发明专利]一种基于网络推断算法预测微生物和疾病关系的方法

摘要

本发明公开一种基于网络推断算法预测微生物和疾病关系的方法，根据已知的微生物‑疾病关系数据，通过一种改进的基于网络的推断(network‑based inference)算法来预测潜在的微生物和疾病之间的关系。留一交叉验证实验表明，应用本发明的方法在预测新的微生物和疾病的关系上表现出良好的性能。本发明是一种基于全局的计算方法，因此可以大规模地预测出多对微生物‑疾病之间的关系，并且能够有效地解决生物实验方法的盲目性、成本高的问题。

主权项

一种基于网络推断算法预测微生物和疾病关系的方法，其特征在于：所述方法包括如下步骤：步骤一、根据已知的微生物‑疾病关系数据，构建微生物‑疾病关系网络；步骤二、计算集成微生物网络拓扑相似性的邻接矩阵和计算集成疾病网络拓扑相似性的邻接矩阵，具体是：计算集成微生物网络拓扑相似性的邻接矩阵的过程是：先根据步骤一所得微生物‑疾病关系网络计算出微生物网络拓扑相似性，再计算集成微生物网络拓扑相似性的邻接矩阵；计算集成疾病网络拓扑相似性的邻接矩阵的过程是：先根据步骤一所得微生物‑疾病关系网络计算出疾病网络拓扑相似性，再计算集成疾病网络拓扑相似性的邻接矩阵；步骤三、基于步骤二中集成微生物网络拓扑相似性的邻接矩阵和集成疾病网络拓扑相似性的邻接矩阵，通过改进的基于网络的推断算法得到每对微生物‑疾病的关联分数；改进的基于网络的推断算法详见公式5)和公式6)：f′(dj)=αΣi=1Nmsmjifm(mi)km(mi)+(1-α)Σi=1Nmsdjifd(mi)kd(mi)---5);]]>f′′(mi)=βΣl=1Ndsmlif′(dl)km(dl)+(1-β)Σl=1Ndsdlif′(dl)kd(dl)---6);]]>其中：f'(dj)表示微生物节点的所有初始资源通过集成微生物网络拓扑相似性的邻接矩阵sm和集成疾病网络拓扑相似性的邻接矩阵sd流向疾病节点时疾病dj所获得的资源；α表示阻尼因子；Nm表示微生物的数目；smji表示集成微生物网络拓扑相似性的邻接矩阵sm中第j行第i列的元素；fm(mi)表示在集成微生物网络拓扑相似性的邻接矩阵中微生物mi的初始资源；km(mi)表示在集成微生物网络拓扑相似性的邻接矩阵中第i行的和；sdji表示集成疾病网络拓扑相似性的邻接矩阵sd中第j行第i列的元素；fd(mi)表示在集成疾病网络拓扑相似性的邻接矩阵中微生物mi的初始资源；kd(mi)表示在集成疾病网络拓扑相似性的邻接矩阵中第i行的和；f”(mi)表示疾病节点上的所有资源通过集成微生物网络拓扑相似性的邻接矩阵sm和集成疾病网络拓扑相似性的邻接矩阵sd返回到微生物节点时微生物mi所获得的资源，即为最终预测出的微生物‑疾病关联性分数；β表示阻尼因子；Nd表示疾病的数目；smli表示集成微生物网络拓扑相似性的邻接矩阵sm中第l行第i列的元素；f'(dl)表示微生物节点的所有初始资源通过集成微生物网络拓扑相似性的邻接矩阵sm和集成疾病网络拓扑相似性的邻接矩阵sd流向疾病节点时疾病dl所获得的资源；km(dl)表示在集成微生物网络拓扑相似性的邻接矩阵中第l行的和；sdli表示集成疾病网络拓扑相似性的邻接矩阵sd中第l行第i列的元素；kd(dl)表示在集成疾病网络拓扑相似性的邻接矩阵中第l行的和；步骤四、根据步骤三中获得的微生物‑疾病关联分数，对于某一疾病，所有微生物按照关联分数降序排列或升序排列，即可预测微生物和疾病关系。