[发明专利]基于深度学习的非编码RNA与疾病之间关联的预测方法

摘要

本发明提供了一种基于深度学习的非编码RNA与疾病之间关联的预测方法，分别从多个层次度量非编码RNA，疾病的相似性，在构造非编码RNA与疾病关联的特征时，不同于现有方法，本发明考虑了可能影响其关联程度的三个因素：所有非编码RNA相似信息，所有疾病相似信息，以及已知非编码RNA和疾病的关联信息，充分利用三者信息量化目标关联对的特征，解决了已有技术在构造关联对特征时，忽略重要的已知关联信息问题。并且在多角度的特征融合过程中，本发明利用深度学习卷积神经网络整合提取非编码RNA和疾病的高层关联特征，克服了已有技术以初始特征数据为中心，忽视特征数据与关联程度信息的缺陷。

主权项

1.一种基于深度学习的非编码RNA与疾病之间关联的预测方法，其特征在于：所述方法包括以下步骤：S1、对L个长非编码RNA计算其不同层次的相似矩阵，所述不同层次的相似矩阵包括基于长非编码RNA的序列信息求得其相似矩阵SL1、基于已知的长非编码RNA与疾病的交互谱信息求得其相似矩阵SL2、基于长非编码RNA的组织表达数据求得其相似矩阵SL3；基于长非编码RNA与微小RNA的交互信息，求得其相似矩阵SL4；对D个疾病计算其不同层次的相似矩阵，所述不同层次的相似矩阵包括基于疾病的语义信息，求得其相似矩阵SD1、基于已知的疾病与长非编码RNA的交互谱信息求得其相似矩阵SD2、基于疾病与微小RNA的交互信息求得其相似矩阵SD3；S2、针对长非编码RNA与疾病关联对，构建其关联特征矩阵T；每一个长非编码RNA与疾病的关联对可得到12个关联特征矩阵T；S3、构造样本数据，其中，正样本为所有已知关联的长非编码RNA与疾病对，负样本在未知关联对中随机挑选3倍于正样本数目的长非编码RNA与疾病对；针对特定的关联对样本，其得到的12个特征矩阵看作是该关联样本的12个通道数据；基于以上样本数据，构建5层卷积神经网络和两层全连接网络进行训练，逐层卷积神经网络的学习过程为对12个通道数据的特征融合过程，可将初始低层次关联特征不断整合为最终的高层次关联特征；S4、针对未知关联的非编码RNA和疾病对，利用步骤S1、S2构建其12层关联特征，利用步骤S3学习得到的网络模型对该未知的非编码RNA与疾病对进行关联程度预测，预测关联得分越高表征该非编码RNA与特定疾病具有关联的可能性越大。