System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 基于双通道异构网络特征表示策略的microRNA-药物敏感性预测方法及设备技术_技高网

基于双通道异构网络特征表示策略的microRNA-药物敏感性预测方法及设备技术

技术编号:41918859 阅读:11 留言:0更新日期:2024-07-05 14:19
基于双通道异构网络特征表示策略的microRNA‑药物敏感性预测方法及设备,属于生物信息学与化学信息学交叉技术领域。为了解决现有的microRNA‑药物敏感性预测方法存在不能充分整合异质网络中的复杂互作信息从而导致精度不足的问题。本发明专利技术首先从数据中构建miRNA序列相似性数据集以及药物SMILES结构相似性数据集,组成异构网络;然后提取双通道特征,并自适应地对特征进行融合处理;最后通过特征嵌入,添加全局节点,构建能够查询出miRNA‑药物敏感性相互作用强弱程度得分的预测模型。本发明专利技术进一步挖掘了miRNA、药物特征之间的关联信息,能够高性能miRNA‑药物敏感性相互作用预测效果。

【技术实现步骤摘要】

本专利技术属于生物信息学与化学信息学交叉,具体涉及一种microrna-药物敏感性预测方法及设备。


技术介绍

1、传统观点认为,药物的疗效和毒性主要受遗传、蛋白质和代谢因素的影响。然而,这些因素并不能完全解释个体药物反应的变异性。最近的研究强调了microrna(mirna)在调控药物抗性方面的重要作用。mirna会影响与药物代谢和作用相关的基因,从而影响体内药物的浓度和作用效果。此外,mirna表达的变化可能阐明个体对同一种药物治疗的不同反应。因此,探索驱动mirna调控和有针对性控制的机制为解决药物敏感性问题提供了新的视角。这一探索不仅拓展了我们对mirna介导的途径的理解,还为更精确的药理干预铺平了道路,可能提高治疗效果并减少不良药物反应。

2、尽管许多生物实验已经确定了一些与药物敏感性相关的mirna,但相关数据目前仍不足以支持精准医疗的需求。传统生物实验鉴定mirna-药物敏感性的关联既耗时又昂贵。因此,研究人员已经转向基于计算模型的方法来预测这些相关性。现有的计算方法可以广泛地分为两类。第一类包括传统的机器学习方法,这类方法通过矩阵运算能够实现相关性预测,但忽略了复杂的非线性相关性,并且严重依赖特征提取和负样本的选择。第二类方法涉及深度学习技术,利用神经网络提取非线性相关性并提高泛化能力。然而,这类方法未能充分整合异质网络中的复杂互作信息从而导致精度不足,并且在可解释性方面存在不足。


技术实现思路

1、本专利技术为了解决现有的microrna-药物敏感性预测方法存在不能充分整合异质网络中的复杂互作信息从而导致精度不足的问题。

2、一种基于双通道异构网络特征表示策略的microrna-药物敏感性预测方法,包括以下步骤:

3、s1、构建包括mirna-药物敏感性关联数据、mirna序列和药物smiles结构数据在内的样本数据集;

4、每一种mirna序列用碱基组成的字符串sm来表示;每一种药物smiles结构用smiles字符串sd表示;mirna-药物敏感性关联数据用关联矩阵gmd表示;所述关联矩阵gmd表示方式如下:若某一mirna能够与某一药物相互作用,则用它们在矩阵中用1表示,若二者不具备相互作用关系,则用数值0来表示;

5、s2、基于mirna序列样本和药物smiles结构样本,分别计算mirna序列之间的相似度以及药物分子结构之间的相似度,构建mirna序列相似性数据集以及药物smiles结构相似性数据集;将关联矩阵gmd作为mirna-药物关联网络gmd,同时基于mirna序列相似性数据集构建mirna-mirna网络gm,基于所述药物smiles结构相似性数据集构建药物-药物网络gd;并将gmd、gm和gd组成mirna-药物敏感性关联异构网络g;

6、s3、基于mirna-药物敏感性关联异构网络g通,构建双通道特征:

7、对于mirna-药物关联网络gmd,用adamic-adar算法从节点层面提取重要性特征,gmd同时包含mirna和药物的信息,将mirna mi与其他节点的重要性特征构成重要性特征向量将药物di与其他节点的重要性特征构成重要性特征向量

8、对于mirna-mirna网络gm和药物-药物网络gd,分别基于gipks算法提取特征,得到mirna mi的相似度向量及药物di的相似度向量

9、将和记为双通道特征;

10、s4、对双通道特征进行投影并分别利用self-attention算法对特征进行融合处理,得到各自对应的注意力融合处理后的特征zatt;

11、s5、所述mirna-药物敏感性关联异构网络g中每个节点都计算出融合特征zatt,并将每个节点各自的zatt作为对应的节点表示;在网络g中添加连接其余所有节点的全局节点,全局节点为与网络中其它节点都有连通性的节点,添加全局节点后的异构网络记为x;

12、计算邻近节点特征通过归一化的注意力系数αi,j:

13、

14、

15、其中,和分别为第i个节点和第j个节点的融合特征,wz是可学习的节点特征变换参数矩阵,f是单层前馈神经网络,ei,j是第i个节点和第j个节点的融合特征经过单层前馈神经网络得到的特征;ei,t第i个节点和第t个节点的融合特征经过单层前馈神经网络得到的特征,ω(i)表示i在x中的邻居节点;leakyrelu和exp分别表示激活函数和指数函数;

16、进行线性组合:

17、

18、进而得到特征:

19、

20、其中,ω和分别是权重矩阵和偏置矩阵;concat是向量拼接函数,elu表示神经网络中的激活函数;

21、s6、将hi输入深度神经网络输出两个节点之间的关联度分数。

22、进一步地,s2中所述构建mirna序列相似性数据集以及药物smiles结构相似性数据集的过程中,基于mirna序列之间的相似度以及药物分子结构之间的相似度各自选取相似度最高的前5%构建相似性数据集,构建mirna序列相似性数据集以及药物smiles结构相似性数据集。

23、进一步地,步骤s2中分别利用levenshtein距离算法计算mirna序列之间的相似度以及药物分子结构之间的相似度。

24、进一步地,所述gm和gd具体构建方式如下:

25、gm和gd用矩阵形式表示,将levenshtein距离算法计算具体的相似度数值填入矩阵;

26、levenshtein距离用leva,b(i,j)表示,是a的前i个字符和b的前j个字符之间的距离,计算方法如下:

27、

28、其中,a和b表示sm对应的字符串,或者sd对应的字符串;是当ai≠bj时值为1,否则值为0的函数;ai和bj分别代表a的第i个字符和b的第j个字符。

29、进一步地,所述重要性特征如下:

30、

31、其中,n(u)表示节点u的相邻节点的集合。

32、进一步地,对于mirna-mirna网络gm和药物-药物网络gd,分别基于gipks算法提取特征,得到mirna mi的相似度向量及药物di的相似度向量的过程包括:

33、给定两种mirna mi和mj,基于gipks算法提取特征:

34、

35、

36、其中,mi表示mirna邻接矩阵的第i行向量;参数β控制核带宽,n表示mirna数量;

37、通过计算mi与其它mirna的gipks,得到mirna mi的相似度向量

38、利用相同的方式对关联网络gd提取相似性特征,得到药物di的相似度向量

39、进一步地,对双通道特征进行投影的过程是利用权重矩阵对双通道特征进行处理:

40、ya→ω=ha·wself→ω

41、yg→ω=hg·wg→ω...

【技术保护点】

1.一种基于双通道异构网络特征表示策略的microRNA-药物敏感性预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于双通道异构网络特征表示策略的microRNA-药物敏感性预测方法,其特征在于,S2中所述构建miRNA序列相似性数据集以及药物SMILES结构相似性数据集的过程中,基于miRNA序列之间的相似度以及药物分子结构之间的相似度各自选取相似度最高的前5%构建相似性数据集,构建miRNA序列相似性数据集以及药物SMILES结构相似性数据集。

3.根据权利要求1所述的一种基于双通道异构网络特征表示策略的microRNA-药物敏感性预测方法,其特征在于,步骤S2中分别利用Levenshtein距离算法计算miRNA序列之间的相似度以及药物分子结构之间的相似度。

4.根据权利要求3所述的一种基于双通道异构网络特征表示策略的microRNA-药物敏感性预测方法,其特征在于,所述Gm和Gd具体构建方式如下:

5.根据权利要求1所述的一种基于双通道异构网络特征表示策略的microRNA-药物敏感性预测方法,其特征在于,所述重要性特征如下:

6.根据权利要求1所述的一种基于双通道异构网络特征表示策略的microRNA-药物敏感性预测方法,其特征在于,对于miRNA-miRNA网络Gm和药物-药物网络Gd,分别基于GIPKS算法提取特征,得到miRNA mi的相似度向量及药物di的相似度向量的过程包括:

7.根据权利要求1所述的一种基于双通道异构网络特征表示策略的microRNA-药物敏感性预测方法,其特征在于,对双通道特征进行投影的过程是利用权重矩阵对双通道特征进行处理:

8.根据权利要求7所述的一种基于双通道异构网络特征表示策略的microRNA-药物敏感性预测方法,其特征在于,利用self-attention算法对特征进行融合处理的过程如下:

9.根据权利要求1至8任意一项所述的一种基于双通道异构网络特征表示策略的microRNA-药物敏感性预测方法,其特征在于,添加全局节点后的异构网络如下:

10.一种基于双通道异构网络特征表示策略的microRNA-药物敏感性预测设备,其特征在于,所述设备至少包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现如权利要求1至9任意一项所述的一种基于双通道异构网络特征表示策略的microRNA-药物敏感性预测方法。

...

【技术特征摘要】

1.一种基于双通道异构网络特征表示策略的microrna-药物敏感性预测方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于双通道异构网络特征表示策略的microrna-药物敏感性预测方法,其特征在于,s2中所述构建mirna序列相似性数据集以及药物smiles结构相似性数据集的过程中,基于mirna序列之间的相似度以及药物分子结构之间的相似度各自选取相似度最高的前5%构建相似性数据集,构建mirna序列相似性数据集以及药物smiles结构相似性数据集。

3.根据权利要求1所述的一种基于双通道异构网络特征表示策略的microrna-药物敏感性预测方法,其特征在于,步骤s2中分别利用levenshtein距离算法计算mirna序列之间的相似度以及药物分子结构之间的相似度。

4.根据权利要求3所述的一种基于双通道异构网络特征表示策略的microrna-药物敏感性预测方法,其特征在于,所述gm和gd具体构建方式如下:

5.根据权利要求1所述的一种基于双通道异构网络特征表示策略的microrna-药物敏感性预测方法,其特征在于,所述重要性特征如下:

6.根据权利要求1所述的一种基于双通道异构网络...

【专利技术属性】
技术研发人员:赵天意刘俊良贾昱冉王亚东
申请(专利权)人:哈尔滨工业大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1