一种CircRNA-disease-miRNA关联预测方法技术

本发明专利技术公开了一种CircRNA

【技术实现步骤摘要】
一种CircRNA
‑
disease
‑
miRNA关联预测方法


[0001]本专利技术属于生物信息学中的关联关系预测领域，涉及一种CircRNA
‑
disease
‑
miRNA关联预测方法。

技术介绍

[0002]环状RNA(circular RNA，简称circRNA)是一种首尾相连形成环状结构的RNA，发现于20世纪70年代。当时研究者认为circRNA是剪接的副产物，所以其长期当作一种“垃圾”RNA。随着高通量测序方法和生物信息学的飞速发展，近年来在多种生物体中发现了越来越多的circRNA，使得circRNA重新得到了人们的关注并引起了极大的兴趣。许多研究证明circRNA与其它分子存在相互作用，从而参与生物体内各项生命活动的调控。例如，circRNA与其它类型的RNA相互作用调控对应的靶基因表达，包括影响动脉硬化、参与mRNA表达的调节和调节选择性剪接；与RNA结合蛋白结合形成RNA
‑
蛋白复合体影响相应的生物功能。更重要的，研究证据表明circRNA与疾病的发生发展相关，可能在疾病治疗过程中作为疾病的治疗靶点或生物标志物。例如circRNA_010567通过靶向TGF
‑
β1来抑制miR
‑
141，从而促进心肌纤维化。circ
‑
ABCB10可以通过分泌miR
‑
1271促进乳腺癌的增殖和进展。许多学者认为，许多circRNA在临床应用中可以作为肿瘤标志物和治疗靶点，因此circRNA的相关研究有助于推进人类个体化治疗的发展。基于上述原因，确认circRNA
‑
disease潜在关联逐渐成为近年来的研究热点。然而，由于实验成本高、实验周期长，传统的实验方法无法大规模验证circRNA与疾病的相关性。为了解决这个问题研究人员开始致力于在现有数据集的基础上开发利用大数据分析及人工智能的方法开发计算预测模型，量化circRNA与疾病之间的关联概率，并将最有希望的circRNA与疾病之间的关联用于进一步的生物学实验验证。在这种情况下，可以有效地减少生物实验的时间和成本，加快医学智能化的进步。

技术实现思路

[0003]本专利技术的目的是提供一种CircRNA
‑
disease
‑
miRNA关联预测方法，该方法基于三分网络和融合相似性来预测circRNA
‑
disease
‑
miRNA关联信息，通过多方面数据关系、融合相似性和资源分配揭示了隐藏在数据之下的未知关联关系。
[0004]本专利技术的目的是通过以下技术方案实现的：
[0005]一种CircRNA
‑
disease
‑
miRNA关联预测方法，包括如下步骤：
[0006]步骤一、通过已知的circRNA
‑
disease关联数据集、miRNA
‑
disease关联数据集构建circRNA
‑
disease邻接矩阵A
CD
、miRNA
‑
disease邻接矩阵A
MID
；通过A
CD
和A
MID
构建circRNA
‑
disease
‑
miRNA构成的三分网络；
[0007]步骤二、通过融合相似性计算得到circRNA
‑
circRNA相似性矩阵S
C
；
[0008]步骤三、通过融合相似性计算得到disease
‑
disease相似性矩阵S
D
；
[0009]步骤四、利用circRNA
‑
circRNA相似性或disease
‑
disease相似性与交互轮廓向量计算孤立节点相似度并加入到circRNA
‑
disease
‑
miRNA三分网络中，推断孤立节点与疾病
潜在关系；
[0010]步骤五、通过概率传播机制分配算法为circRNA
‑
disease
‑
miRNA分配资源，得到circRNA
‑
disease权重矩阵W
CD
、miRNA
‑
disease权重矩阵W
MID
；
[0011]步骤六、对circRNA
‑
disease权重矩阵W
CD
和miRNA
‑
disease权重矩阵W
MID
进行加权计算，得到circRNA
‑
disease资源评分矩阵R
score
。
[0012]相比于现有技术，本专利技术具有如下优点：
[0013]本专利技术采用由融合的circRNA功能相似性、circRNA
‑
disease邻接矩阵、miRNA
‑
disease邻接矩阵、融合的disease语义相似性构建circRNA
‑
disease
‑
miRNA三分网络，以更好地描述编码
‑
非编码基因
‑
疾病关联的异质性。三分网络引入了miRNA
‑
desease关联信息、circRNA序列信息和疾病语义信息，作为circRNA与疾病之间潜在关联的协作预测，这丰富了资源分配过程中的circRNA信息，量化circRNA
‑
disease的非线性关系。利用Probs机制为三步图分配资源，产生推荐；Probs机制考虑了在两个方向上移动的资源的贡献，该算法有效地减少了资源分配过程中的不可知偏差，并进一步提高了模型的预测性能。利用jaccard指标和奇异值分解混合推荐算法计算相似性，改善了数据稀疏性问题。通过多方面数据关系、Probs机制和jaccard指标和奇异值分解混合推荐算法揭示了隐藏在数据之下的未知关联关系。
附图说明
[0014]图1为circRNA
‑
disease
‑
miRNA关联关系构建总流程图；
[0015]图2为circRNA
‑
disease
‑
miRNA关联关系构建细节过程图；
[0016]图3为circRNA
‑
disease
‑
miRNA相互作用关系构建三分网络图；
[0017]图4为根据circRNA
‑
disease
‑
miRNA关联关系奇异值分解示意图；
[0018]图5为根据circRNA
‑
disease
‑
miRNA关联关系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种CircRNA
‑
disease
‑
miRNA关联预测方法，其特征在于所述方法包括如下步骤：步骤一、通过已知的circRNA
‑
disease关联数据集、miRNA
‑
disease关联数据集构建circRNA
‑
disease邻接矩阵A
CD
、miRNA
‑
disease邻接矩阵A
MID
；通过A
CD
和A
MID
构建circRNA
‑
disease
‑
miRNA构成的三分网络；步骤二、通过融合相似性计算得到circRNA
‑
circRNA相似性矩阵S
C
；步骤三、通过融合相似性计算得到disease
‑
disease相似性矩阵S
D
；步骤四、利用circRNA
‑
circRNA相似性或disease
‑
disease相似性与交互轮廓向量计算孤立节点相似度并加入到circRNA
‑
disease
‑
miRNA三分网络中，推断孤立节点与疾病潜在关系；步骤五、通过概率传播机制分配算法为circRNA
‑
disease
‑
miRNA分配资源，得到circRNA
‑
disease权重矩阵W
CD
、miRNA
‑
disease权重矩阵W
MID
；步骤六、对circRNA
‑
disease权重矩阵W
CD
和miRNA
‑
disease权重矩阵W
MID
进行加权计算，得到circRNA
‑
disease资源评分矩阵R
score
。2.根据权利要求1所述的CircRNA
‑
disease
‑
miRNA关联预测方法，其特征在于所述步骤一中，A
CD
＝{a
cd
}
m*n
，A
MID
＝{a
mid
}
r*n
，其中：，其中：m表示circRNA的种类数量，n表示disease的种类数量，r表示miRNA的种类数量。3.根据权利要求1所述的CircRNA
‑
disease
‑
miRNA关联预测方法，其特征在于所述步骤二中，circRNA
‑
circRNA相似性矩阵S
C
为：为：为：式中，c
i
和c
j
分别表示两种不同的某一circRNA，Y(c
i
)和Y(c
j
)分别表示与circRNAc
i
和circRNAc
j
相关的circRNAs集数；第i行第j列实体S
C
(c
i
,c
j
)表示circRNAc
i
与circRNAc
j
之间相似度；α为调节两类相似度重要性的参数；σ控制高斯核函数的作用范围。4.根据权利要求1所述的CircRNA
‑
disease
‑
miRNA关联预测方法，其特征在于所述步骤三中，disease
‑
disease相似性矩阵S
D
为：
式中，d
i
和d
j
分别表示两种不同的某一disease，Y(d
i
)和Y(d
j
)分别表示与diseased
i
和diseased
j
相关的diseases集数；第i行第j列实体S
D
(d
i
,d
j
)表示diseased
i
与diseased
j
之间相似度。5.根据权利要求1所述的CircRNA
‑
disease
‑
miRNA关联预...

【专利技术属性】
技术研发人员：王波，刘庭斌，李敬有，张光妲，周振宇，尹帅，
申请(专利权)人：齐齐哈尔大学，
类型：发明
国别省市：