一种基于权重k-近邻的疾病-代谢物关联预测系统技术方案

一种基于权重k

【技术实现步骤摘要】
一种基于权重k
‑
近邻的疾病
‑
代谢物关联预测系统


[0001]本专利技术涉及生物信息学
，特别涉及一种基于权重k
‑
近邻的疾病
‑
代谢物关联预测系统。

技术介绍

[0002]在长期进化过程中，生物有机体与周围环境相互作用，吸收并排泄物质和能量的过程，称为新陈代谢。它作为生物体的一种重要生命活动，在物质和能量变化过程中起着至关重要的作用。越来越多的生物学和医学实验表明，一些患者的某些代谢物浓度与健康人不同。脱氧胆酸是肝脏产生的次级胆汁酸，通过肝脏、胆管、小肠和门静脉再循环，形成肠肝回路。在生理pH值下，它们以阴离子形式具有强烈的毒性，因此需要一种载体跨肠和肝组织膜运输。当脱氧胆酸的含量足够高时，它可以作为肝毒素、代谢毒素和肿瘤代谢物。肝毒素会对肝脏或肝细胞造成损害。当长期处于高水平时，它可以促进肿瘤生长和生存。除与肝脏疾病相关外，长期高水平的脱氧胆酸还与多种癌症相关，如结肠癌、乳腺癌和许多其他胃肠道癌症。此外，心脑血管疾病和一些免疫疾病的发病机制也被证实与代谢物有关。因此，基于代谢的疾病诊断是医学诊断中的重要判断。
[0003]目前获取代谢物与疾病之间的关系主要通过提出假设进行生物学实验的方式实现，然而进行生物学实验不仅会浪费很多人力资源还需要大量的时间，从而导致现有获取代谢物与疾病之间的关系的方法预测效率低的问题。

技术实现思路

[0004]本专利技术目的是为了解决现有获取代谢物与疾病之间的关系的方法还存在预测效率低的问题，而提出了一种基于权重k
‑
近邻的疾病
‑
代谢物关联预测系统。
[0005]一种基于权重k
‑
近邻的疾病
‑
代谢物关联预测系统包括：疾病
‑
代谢物相关性邻接矩阵获取模块、Jaccard相似性获取模块、自适应谱聚类相似性获取模块、第一相似融合矩阵获取模块、Cosine相似性获取模块、第二相似性融合矩阵获取模块、疾病
‑
代谢物第一网络构建模块、最终预测得分矩阵构建模块、关联性获取模块；
[0006]所述疾病
‑
代谢物相关性邻接矩阵获取模块用于根据已知的疾病
‑
代谢物关联关系构建原始疾病
‑
代谢物关联二分网络，并利用原始疾病
‑
代谢物关联二分网络建立相关性邻接矩阵Y
DM
；
[0007]所述Jaccard相似性获取模块用于根据相关性邻接矩阵Y
DM
获取疾病间的Jaccard相似性矩阵DJ和代谢物间的Jaccard相似性矩阵MJ；
[0008]所述自适应谱聚类相似性获取模块用于根据相关性邻接矩阵Y
DM
获取疾病间的自适应谱聚类相似性矩阵DS和代谢物间的自适应谱聚类相似性矩阵MS；
[0009]所述第一相似融合矩阵获取模块用于将疾病间的Jaccard相似性矩阵DJ和疾病间的自适应谱聚类相似性矩阵DS进行融合获得第一疾病相似融合矩阵DJS，将代谢物间的Jaccard相似性矩阵MJ和代谢物间的自适应谱聚类相似性矩阵MS进行融合获得第一代谢物
相似融合矩阵MJS；
[0010]所述Cosine相似性获取模块用于根据相关性邻接矩阵Y
DM
获取疾病间的Cosine相似性矩阵DC和代谢物间的Cosine相似性矩阵MC；
[0011]所述第二相似性融合矩阵获取模块用于将疾病间的Cosine相似性矩阵DC和第一疾病相似融合矩阵DJS进行融合获得第二疾病相似融合矩阵DJSC，将代谢物间的Cosine相似性矩阵MC与第一代谢物相似融合矩阵MJS进行融合获得第二代谢物相似融合矩阵MJSC；
[0012]所述疾病
‑
代谢物第一网络构建模块用于采用加权k
‑
近邻算法利用原始疾病
‑
代谢物关联二分网络、第二疾病相似融合矩阵DJSC和第二代谢物相似融合矩阵MJSC构建疾病
‑
代谢物第一网络Y
new
；
[0013]所述最终预测得分矩阵模块用于利用疾病
‑
代谢物第一网络、第二疾病相似融合矩阵DJSC和第二代谢物相似融合矩阵MJSC构建最终预测得分矩阵SNWKCP；
[0014]所述关联性获取模块用于在最终预测得分矩阵SNWKCP中查找待预测关系的疾病和代谢物的预测得分，得分越高则疾病和代谢物相关性越高；
[0015]所述预测得分在0～1范围内。
[0016]一种基于权重k
‑
近邻的疾病
‑
代谢物关联预测存储介质，所述存储介质用于存储至少一条指令，所述至少一条指令用于实现一种基于权重k
‑
近邻的疾病
‑
代谢物关联预测系统。
[0017]本专利技术的有益效果为：
[0018]本专利技术采用疾病
‑
代谢物邻接矩阵来对疾病和代谢物分别进行Jaccard相似性计算，自适应谱聚类相似性计算和Cosine相似性计算，从而获得疾病
‑
疾病和代谢物
‑
代谢物的Jaccard相似矩阵，自适应谱聚类相似矩阵和Cosine相似矩阵；本专利技术根据上述相似性矩阵整合得到第二疾病相似融合矩阵DJSC和第二代谢物相似融合矩阵MJSC；再由加权k
‑
近邻算法计算得到疾病
‑
代谢物第一网络；随后利用向量投影计算最终的疾病
‑
代谢物关联预测得分矩阵；本专利技术揭示了隐藏在了疾病与代谢物之间的关联。本专利技术利用最终得分矩阵获得代谢物与疾病之间的关系，避免了人力资源和时间的浪费，提升了预测效率。
附图说明
[0019]图1为疾病
‑
代谢物关联关系构建总流程图；
[0020]图2为疾病
‑
代谢物关联关系构建细节过程图；
[0021]图3为根据疾病
‑
代谢物关联关系矩阵构建图；
[0022]图4为根据疾病
‑
代谢物关联关系矩阵计算的疾病相似矩阵构建图；
[0023]图5为根据疾病
‑
代谢物关联关系矩阵计算的代谢物相似矩阵构建图；
[0024]图6为SNWKCP
‑
DMA模型在5
‑
fold cross validation框架下得到的ROC图。
具体实施方式
[0025]具体实施方式一：如图1
‑
2所示，本实施方式一种基于权重k
‑
近邻的疾病
‑
代谢物关联预测系统，包括：疾病
‑
代谢物相关性邻接矩阵获取模块、Jaccard相似性获取模块、自适应谱聚类相似性获取模块、第一相似融合矩阵获取模块、Cosine相似性获取模块、第二相似本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于权重k
‑
近邻的疾病
‑
代谢物关联预测系统，其特征在于所述系统包括：疾病
‑
代谢物相关性邻接矩阵获取模块、Jaccard相似性获取模块、自适应谱聚类相似性获取模块、第一相似融合矩阵获取模块、Cosine相似性获取模块、第二相似性融合矩阵获取模块、疾病
‑
代谢物第一网络构建模块、最终预测得分矩阵构建模块、关联性获取模块；所述疾病
‑
代谢物相关性邻接矩阵获取模块：用于根据已知的疾病
‑
代谢物关联关系构建原始疾病
‑
代谢物关联二分网络，并利用原始疾病
‑
代谢物关联二分网络建立相关性邻接矩阵Y
DM
；所述Jaccard相似性获取模块：用于根据相关性邻接矩阵Y
DM
获取疾病间的Jaccard相似性矩阵DJ和代谢物间的Jaccard相似性矩阵MJ；所述自适应谱聚类相似性获取模块：用于根据相关性邻接矩阵Y
DM
获取疾病间的自适应谱聚类相似性矩阵DS和代谢物间的自适应谱聚类相似性矩阵MS；所述第一相似融合矩阵获取模块：用于将疾病间的Jaccard相似性矩阵DJ和疾病间的自适应谱聚类相似性矩阵DS进行融合获得第一疾病相似融合矩阵DJS，将代谢物间的Jaccard相似性矩阵MJ和代谢物间的自适应谱聚类相似性矩阵MS进行融合获得第一代谢物相似融合矩阵MJS；所述Cosine相似性获取模块：用于根据相关性邻接矩阵Y
DM
获取疾病间的Cosine相似性矩阵DC和代谢物间的Cosine相似性矩阵MC；所述第二相似性融合矩阵获取模块：用于将疾病间的Cosine相似性矩阵DC和第一疾病相似融合矩阵DJS进行融合获得第二疾病相似融合矩阵DJSC，将代谢物间的Cosine相似性矩阵MC与第一代谢物相似融合矩阵MJS进行融合获得第二代谢物相似融合矩阵MJSC；所述疾病
‑
代谢物第一网络构建模块：用于采用加权k
‑
近邻算法利用原始疾病
‑
代谢物关联二分网络、第二疾病相似融合矩阵DJSC和第二代谢物相似融合矩阵MJSC构建疾病
‑
代谢物第一网络Y
new
；所述最终预测得分矩阵模块：用于利用疾病
‑
代谢物第一网络、第二疾病相似融合矩阵DJSC和第二代谢物相似融合矩阵MJSC构建最终预测得分矩阵SNWKCP；所述关联性获取模块：用于在最终预测得分矩阵SNWKCP中查找待预测关系的疾病和代谢物的预测得分，得分越高则疾病和代谢物相关性越高；所述预测得分在0～1范围内。2.根据权利要求1所述的一种基于权重k
‑
近邻的疾病
‑
代谢物关联预测系统，其特征在于：利用原始疾病
‑
代谢物关联二分网络建立相关性邻接矩阵Y
DM
，如下式：Y
DM
＝{Y(i，j)}
r*n
其中，r表示疾病的种类数量，n表示代谢物的种类数量，Y(i，j)是原始疾病
‑
代谢物关联二分网络。3.根据权利要求2所述的一种基于权重k
‑
近邻的疾病
‑
代谢物关联预测系统，其特征在于：所述疾病间的Jaccard相似性矩阵DJ中的元素DJ(d
i
，d
i
’
)和代谢物间的Jaccard相似性矩阵MJ中的元素MJ(m
j
，m
j
’
)，通过以下公式获得：
...

【专利技术属性】
技术研发人员：王波，王鑫炜，刘明，杜晓昕，李敬有，廉佐政，
申请(专利权)人：齐齐哈尔大学，
类型：发明
国别省市：