[发明专利]一种基于网络模型的circRNA-疾病关联预测方法

摘要

本发明公开一种基于网络模型的circRNA‑疾病关联预测方法，其特征在于，包括如下步骤：1）获取circRNA‑疾病关联数据集，构建关于circRNA‑疾病关联的邻接矩阵A；2）构建circRNA高斯相互作用属性核相似性矩阵KC；3）构建疾病高斯相互作用属性核相似性矩阵KD；4）依据网络一致性投影模型对circRNA‑疾病关联预测。这种方法成本低、能提高circRNA‑疾病关联预测精度。

主权项

1.一种基于网络模型的circRNA‑疾病关联预测方法，其特征在于，包括如下步骤：1)获取circRNA‑疾病关联数据集，构建关于circRNA‑疾病关联的邻接矩阵A：从circRNADisease数据库中获取经生物实验证实的circRNA‑疾病关联数据，将鸡、老鼠物种的circRNA‑疾病关联数据删除，只保留人类物种的circRNA‑疾病关联数据，得到239对不同的circRNA和疾病关联数据，其中涉及疾病种类34种，circRNA种类223种，定义D＝{d(1)，d(2)，d(3)，...，d(nd)}来记nd种疾病的集合，C＝{c(1)，c(2)，c(3)，...，c(nc)}来记nc种circRNA的集合，建邻接矩阵A_nd×nc表示circRNA和疾病关联数据的关系，当疾病d(i)和circRNA c(j)相互关联时，邻接矩阵A中A(i，j)的值设为1；反之，A(i，j)的值设为0，表示未知的关联；2)构建circRNA高斯相互作用属性核相似性矩阵KC：依据步骤1)的邻接矩阵A，构建circRNA高斯相互作用属性核相似性矩阵KC，circRNA之间的相似性指的是高斯相互作用属性核相似性，circRNA c(i)和c(j)的高斯相互作用属性核相似性计算如公式(1)和公式(2)所示：KC(c(i)，c(j))＝exp(‑γ_c||IP(c(i))‑IP(c(j))||²)   (1)，其中，IP(c(i))和IP(c(j))分别表示邻接矩阵A的第i列向量和第j列向量，||·||是求向量的范数，参数γ_c定义为高斯相互作用属性核的带宽，由所有circRNA两两之间的高斯相互作用属性核相似性构建circRNA相似性矩阵KC；3)构建疾病高斯相互作用属性核相似性矩阵KD：依据步骤1)的邻接矩阵A，构建疾病高斯相互作用属性核相似性矩阵KD，疾病之间的相似性指的是高斯相互作用属性核相似性，疾病d(i)和d(j)之间的高斯相互作用属性核相似性计算如公式(3)和公式(4)所示：KD(d(i)，d(j))＝exp(‑γ_d||IP(d(i))‑IP(d(j))||²)   (3)，其中，IP(d(i))和IP(d(j))分别表示邻接矩阵A的第i行向量和第j行向量，||·|是求向量的范数，参数γ_d定义为高斯相互作用属性核的带宽，由所有疾病两两之间的高斯相互作用属性核相似性构建疾病相似性矩阵KD，并对KD进行逻辑回归函数处理如公式(5)所示：其中参数c和d分别设置为：c＝‑15，d＝log(9999)；4)依据网络一致性投影模型对circRNA‑疾病关联预测：首先，依据公式(6)得到疾病空间投影得分矩阵DSPS：其中KD_i是矩阵KD中的第i行，A_j是矩阵A的第j列，|A_j|表示向量A_j的范数，然后，依据公式(7)得到circRNA空间投影得分矩阵CSPS：其中A_i是矩阵A的第i行，KC_j是矩阵KC第j列，|A_i|表示向量A_i的范数，最后，依据公式(8)结合并归一化DSPS和CSPS：SPS是最终的网络一致性投影得分矩阵，其测量每对circRNA‑疾病关联得分，根据分数进行排序给出预测关系。