CN115019883B 一种基于多网络图卷积的癌症驱动基因识别方法 （昆明理工大学）

identificationusingmultiongraphconvolutionalnetwobbab432.一种基于多网络图卷积的癌症驱动基因识本发明涉及一种基于多网络图卷积的癌症本发明首先根据蛋白质相互作用网络得到结构2首先求取基因的差异甲基化率，即一个癌症类型的所有样本然后获取每个基因的差异表达率，每个基因的差异表达最后，在结构网络中使用deepwalk算法得到每个基因的包含深层关所述Step4中所使用的多网络图卷积模型是基于使用切比雪夫算子的图卷积层，输入3去的十年里，一些大规模的癌症基因组学项目已经公布了来自数千名癌症患者的基因组、过衡量基因在蛋白质网络中的重要程度来预测驱动基因。为了提高癌症驱动基因的预测，降低网络中的噪声，提取不同类型的节点特征。一些基于深度神经网络的方法，如[0005]本发明要解决的技术问题是提供一种基于多网络图卷积的癌症驱动基因识别方4发明在相互作用网络中使用DeepWalk算法得到每个基因的包含深层关联关系的网络结构到余弦相似度矩阵，每个基因根据余弦相似度矩阵找到与其最相似的20个邻居用边相连，[0021]余弦相似度矩阵是n*n的矩阵行名和列名都是基因，里面的每一个值就是对应的阵找出最大20个值来确定每个基因最相似[0022]所述Step4中所使用的多网络图卷积模型是基于使用切比雪夫算子的图卷积层，5[0034]基因的突变率被定义为该癌症类型中所有样本的单核苷酸变异(SNVs)和拷贝数[0039]在结构网络中使用deepwalk算法得到每个基因的包含深层关联关系的网络结构[0041]根据步骤2中得到的增强特征，计算基因之间的余弦相似度，得到余弦相似度矩6阵，将每个基因与其最相似的20个邻居用边相连，得到特征网络，包括13627个节点和[0054]其中和是基因i分别通过切比雪夫卷积层3和4得到的嵌入向量，符号"p"代[0055]多网络图卷积模型在训练过程中需要通过最小化来进行优化的损失函数Ltotal如7[0061]为了进一步增强切比雪夫卷积层3和4的输出嵌入矩阵H3和H4的[0075]基因的突变率被定义为该癌症类型中所有样本的单核苷酸变异(SNVs)和拷贝数[0080]在结构网络中使用deepwalk算法得到每个基因的包含深层关联关系的网络结构[0082]根据步骤2中得到的增强特征，计算基因之间的余弦相似度，得到余弦相似度矩8阵，将每个基因与其最相似的20个邻居用边相连，得到特征网络，包括13627个节点和[0094]其中和是基因i分别通过切比雪夫卷积层3和4得到的嵌入向量，符号"p"代[0095]多网络图卷积模型在训练过程中需要通过最小化来进行优化的损失函数Ltotal如preconconpreconcon9[0101]为了进一步增强切比雪夫卷积层3和4的输出嵌入矩阵H3和H4的[0110]为了评估多网络图卷积(MNGCN)的性能，将提出的多网络图卷积方法同以前提出叉验证后取平均得到。[0111]预测泛癌癌症驱动基因的实验结果如表1所示，预测乳腺癌癌症驱动基因的实验[0118]为了验证多网络图卷积(MNGCN)的多网络策略能提升性能。只使用结构网络的图卷积模型(MNGCN-s)和只使用特征网