CN119400252A 基于共享单元的环状rna和疾病关联预测模型的构建方法、预测系统和预测方法 （电子科技大学长三角研究院(衢州)）

号基于共享单元的环状RNA和疾病关联预测模本发明公开了一种基于共享单元的环状RNA测方法，通过构建的环状RNA和疾病关联预测模别进行特征提取得到环状RNA相似性特征、环状RNA元路径特征、疾病相似性特征和疾病元路径层感知机进行环状RNA与疾病的关联预测并更新RNA和疾病的相似性网络及元路径网络，通过在2基于已知关联数据集构建环状RNA元路径网络、环状RNA相对环状RNA相似性网络、环状RNA元路径网络、疾病相似性网络和疾病元路径环状RNA相似性特征和环状RNA元路径特征被同时输入至共享单元进行多视图的交互疾病相似性特征和疾病元路径特征被同时输入至共享单元进行多共享单元输出的环状RNA相似性特征、疾病相似性特征被输入至多层感知机进行环状基于模型损失函数根据关联预测结果更新模型参数以使模型具备2.根据权利要求1所述的基于共享单元的环状R环状RNA相似性特征与所述的环状RNA元路径特征被同时输入至所述经过共享单元的环状RNA相似性特征与其余环状RNA相似性特征被输入至多通道注意包括有至少两种所述的疾病相似性网络，且至少征与所述的疾病元路径特征被同时输入至所述经过共享单元的疾病相似性视图特征与其余疾病相似性特征被输入至多通道注意力构建对比学习中的正负样本对，选择同一环状RNA/同4.根据权利要求3所述的基于共享单元的环状RNA和疾病关多通道注意力机制对多种环状RNA相似性特征的输出与经过共享单元处理的RNA元路5.根据权利要求2_4任意一项所述的基于共享单元的环状RNA和疾病关联预测模型的环状RNA相似性特征和环状RNA元路径特征被同时输入至疾病相似性特征和疾病元路径特征被同时输入至3经过共享单元的环状RNA相似性特征与其余环状RNA相似性特征被输入至一多通道注经过共享单元的疾病相似性视图特征与其余疾病相似性特征被输入至另一多通道注6.根据权利要求2所述的基于共享单元的环状RN特征在于，所述的环状RNA相似性网络包括环状RNA功能相似性网络和环状RNAGIP相似性从环状RNAGIP相似性网络提取的环状RNAGIP相似性特征与环状RNA元路径特征被同所述的疾病相似性网络包括疾病语义相似性网络和疾病GI从疾病GIP相似性网络提取的疾病GIP相似性特征与疾病元路径特征被同时输入至所SD(d,Qj)表示疾病d与集合Qj中所有疾病的相似性得分；SD(d,Q)表示疾病d与集合Qi中所有疾病的相似性得分；48任意一项所述方法所构建的模型进行关联预测，模型的输入包括待预测关联关系的目标环状RNA和目标疾病以及目标环状RNA与疾病的已知关联和目标疾病与环状RNA的已知关5[0001]本发明属于计算机生物信息学领域，尤其涉及一种基于共享单元的环状RNA和疾[0006]本发明的目的是针对现有技术存在的问题提出一种基于共享单元的环状RNA和疾6环状RNA相似性特征和环状RNA元路径特征被同时输入至共享单元进行多视图的疾病相似性特征和疾病元路径特征被同时输入至共享单元进行多视图的交互与基于模型损失函数根据关联预测结果更新模型参数以使模型具备关联预测能[0008]在上述的基于共享单元的环状RNA和疾病关联预测模型的构建方法中，包括有至少两种所述的环状RNA相似性网络，且至少一种环状RNA相似性网络的环状RNA相似性特征经过共享单元的环状RNA相似性特征与其余环状RNA相似性特征被输入至多通道性特征与所述的疾病元路径特征被同时输入至所经过共享单元的疾病相似性视图特征与其余疾病相似性特征被输入至多通道注[0009]在上述的基于共享单元的环状RNA和疾病关联预测模型的构建方法中，本方法还环状RNA的对比学习损失函数LC和疾病的对比学习损失函数La增加正样本对之间的相似[0010]在上述的基于共享单元的环状RNA和疾病关联预测模型的构建方法中，多通道注意力机制对多种疾病相似性特征的输出与经过共享单元处理的疾病元路径特征参与疾病多通道注意力机制对多种环状RNA相似性特征的输出与经过共享单元处理的环状[0011]在上述的基于共享单元的环状RNA和疾病关联预测模型的构建方法中，包括两个环状RNA相似性特征和环状RNA元路径特征被同时输入至疾病相似性特征和疾病元路径特征被同时输入至7经过共享单元的环状RNA相似性特征与其余环状RNA相似性特征被输入至一多通经过共享单元的疾病相似性视图特征与其余疾病相似性特征被输入至另一多通[0012]在上述的基于共享单元的环状RNA和疾病关联预测模型的构建方法中，所述的环状RNA相似性网络包括环状RNA功能相似性网络和环状RNA从环状RNAGIP相似性网络提取的环状RNAGIP相似性特征与环状RNA元路径特征所述的疾病相似性网络包括疾病语义相似性网络和疾病GI从疾病GIP相似性网络提取的疾病GIP相似性特征与疾病元路径特征被同时输入[0013]在上述的基于共享单元的环状RNA和疾病关联预测模型的构建方法中，通过如下GD(d,d)=exp(-nallA(a)-A(a)12)其中：Aa和Aay分别为疾病和在环状SD(d,Q)表示疾病d与集合Qj中所有疾病的相似性得分；SD(d,Q)表示疾病dA(CZ)和A(C)分别为环状RNAci和cj在关联矩阵中的行向量；7C为归一化带宽参[0014]在上述的基于共享单元的环状RNA和疾病关联预测模型的构建方法中，基于已知8Am,=A'XA[0017]一种基于共享单元的环状RNA和疾病关联预测方法，使用上述所述方法所构建的模型进行关联预测，模型的输入包括待预测关联关系的目标环状RNA和目标疾病以及目标RNA的元路径网络和相似性网络，以及目标疾病的元路径网络和相似性网络并进行特征提[0019]图1所示为本发明实施例提供的基于共享单元的环状RNA和疾病关联预测方法的图2所示为本发明实施例提供的基于共享单元的环状RNA和疾病关联预测方法的图5所示为本发明在数据集CircR2diseas图6所示为本发明在数据集Circ2diseas图9所示为本发明在数据集CircR2diseasev2.0上进行消融实验的结果对比示意9[0020]本方案提供了一种基于共享单元的环状RNA和疾病关联预测方法，能够实现环状RNA与疾病的更高性能的关联预测，首先提出了一种用于实现该方法的基于共享单元的环收集并整理多个公共数据库中环状RNA与疾病的[0023]利用多通道注意力机制自适应调整环状RNA和疾病的多视图特征的重要性权重，联预测，最后基于损失函数根据关联预测结果更新模型参数以使模型具备关联预测能识符）从疾病本体中检索每个疾病的标识符（DOID计算疾病和d;之间的语义相似性SD(a,d)：d和d;在环状RNA疾病关联矩阵中的列向量；[0029]本实施例中，环状RNA的相似性网络包括环状RNA功能相似性网络和环状RNAGIP[0030]通过以下方式计算环状RNAci和cj的功能相似性：SD(d,Q)表示疾病d与集合Qj中所有疾病的相似性得分。[0031]环状RNA功能相似性网络a(c)和a()分别为环状RNA和在关联矩阵中的行向量；[0036]同样使用关联矩阵构建疾病的元路其中，S=SC+I，SC是环状RNA功能相似性网络或者GIP相似性网络的邻接矩是对应的度矩阵；ws.表示可学习参数σ是激活函数；表示第l层中的环状其中，和n,分别表示环状RNA或者疾病更新后的相似性视图特征和元路将环状RNA的多种相似性视图特征输入到多通道注意力机制中，在多通道注意力[0042]w1和w2为全连接层的权重矩阵；σ表示ReLU激活函数；表示Sigmoid激活函注意力机制和对比学习处理的相应环状RNA特（22）+和Y_分别表示训练数据中的正样本和负在要预测环状RNA1与疾病1的关联关系，而疾病1已知与环状RNA2和环状RNA3关联，环状11101101[0053]模型基于输入构建目标环状RNA的元路径网络和相似性网络，以及目标疾病的元[0054]本方案所提方法MSMCDA与传统的环状RNA和疾病关联预测网络不同，引入了共享单元各图中，ACC表示预测准确率，即分类器正确分类的样本数量占总样本数量的比[0056]图3是将本方法在5个不同大小的独立测试集数据进行验MSMCDA在5个数据集上均具有较高指标，证明了本方案所提方法针对不同大小的数据集都方法在相同数据集上进行性能比较。从图中可以看出，MSMCDA在所有数据集上的AUC值最[0058]图5_图9分别是在数据集CircR2disease、Circ2disease、CircRNAdisease、MSM