【技术实现步骤摘要】
本专利技术涉及生物信息学中的疾病预测领域，特别涉及一种基于时空动态图学习的ad演化模式分析方法。
技术介绍
1、阿尔茨海默症(ad)是一种影响大脑功能的神经系统疾病，其主要症状包括记忆丧失、认知能力减退、行为和语言问题等。随着人口老龄化的加剧，阿尔茨海默症的发病率逐渐上升，成为全球范围内的重大健康挑战。因此，开发有效的预测方法对早期诊断和干预至关重要。
2、目前，对于阿尔茨海默症的预测主要使用转录组表达数据，然而，阿尔茨海默症的发展是一个动态的过程，涉及突触连接的重塑、神经元的失活等。转录组表达数据通常只提供了静态的基因图谱，难以捕捉这种动态的过程和时序信息。而且阿尔茨海默症是一种复杂的神经系统疾病，其发病机制涉及多种生物学过程和因素的综合作用，包括基因遗传、蛋白质异常、神经元损伤、炎症反应等。单纯依赖转录组表达数据很难完整反映这些复杂的因素及其相互作用。
3、动态图学习能够弥补这些缺陷。动态图学习可以建模阿尔茨海默症发展的动态过程，捕捉分子组学数据的演化、突触连接的动态变化等重要信息，并且动态图学习考虑分子组学数据中的空间模式，包括基因模块的静态分布特点、异常表达模式等，有助于揭示阿尔茨海默症发病的分子调控机制。
4、但是，动态图学习方法在预测阿尔茨海默症演化模式时面临的难点在于构建分子组学数据中的空间模式并融合分子组学数据，以此综合建模阿尔茨海默在的发展过程。本专利技术使用基因网络推理方法得到每一个分类的基因调控图并构建动态图神经网络，以此表示分子组学数据中的空间模式；使用注意力机制和流形
技术实现思路
1、为了解决现有阿兹海默症疾病预测方法单纯考虑转录组表达数据导致很难挖掘阿兹海默症内在机制的问题，本专利技术提供一种结合动态图学习的阿兹海默症预测方法，有助于解释阿兹海默症发病的网络机制，提高预测准确率。
2、本专利技术是通过如下技术方案实现的：
3、一种基于时空动态图学习的ad演化模式分析方法，该方法包括以下步骤：
4、步骤一.研究对象为n个阿兹海默症病人的单细胞测序数据，采用主成分分析方法统一n个阿兹海默症病人单细胞测序数据的细胞维度，最终获得c个细胞组成成分，并根据筛选最终获得g个基因，将处理后的数据记为xn；将xn细胞维度的平均值作为基因表达，获得一个以样本为行、基因为列的基因表达矩阵该矩阵根据样本标签分成多个矩阵其中t为样本类别数；采用基因网络推理方法得到每一个分类的基因调控图gt；
5、步骤二、使用步骤一所获得的不同样本类别的基因调控图gt，构建动态图神经网络，该网络包括输入层、特征层和输出层，输入层与特征层相连，特征层与输出层相连；其中，输入层的输入为gt，特征层为g个基因不同类别的特征h1,h2,…,ht-1。
6、步骤三、使用步骤二中动态图神经网络构建出的g个基因的特征h1,h2,…,ht-1，对其使用注意力机制进行特征融合，获得最终的基因融合矩阵zt-1；采用流形对齐策略，将xn与zt-1映射到同一空间中，获得两个矩阵分别为以样本为主的特征矩阵x′n和以基因融合矩阵为主的特征矩阵z′n。
7、步骤四、将x′n作为最终输入，使用疾病预测模型，进行阿兹海默症疾病预测。
8、优选的，步骤一中，使用主成分分析方法统一细胞维度，其具体步骤为：
9、(1)对于n个阿兹海默症病人的单细胞测序数据，计算数据之间的协方差矩阵，用于描述不同特征之间的线性关系；
10、(2)对协方差矩阵进行特征值分解，特征值表示方差大小，特征向量表示方向；
11、(3)根据特征值的大小选择要保留的主成分数量，将选定的主成分构成投影矩阵，每一列是一个主成分的特征向量；
12、(4)将n个阿兹海默症病人的单细胞测序数据投影到选定的主成分上，得到降维后的数据。
13、优选的，步骤一中，将xn细胞维度的平均值作为基因表达，矩阵中第i行、第j列的元素计算的具体方式为：
14、
15、其中，是一个以样本为行、基因为列的基因表达矩阵，xkij表示第k个矩阵x中第i行、第j列的元素。
16、优选的，步骤一中，使用基因网络推理方法得到每一个分类的基因调控图，其具体步骤为：
17、初始化一个常数a作为初始目标基因i的预测值：
18、f0(i)＝a
19、通过迭代更新优化目标基因i的预测值：
20、
21、其中，m是迭代次数，loss是损失函数，l是学习率，f是决策树，argminf表示选择使得损失函数值最小的决策树f，n代表基因总数，yj是基因j的真实值，xij是与候选调控基因j相关的特征，f(xij)是第m次迭代中对候选调控基因j的预测值。
22、为了评估基因的重要性，计算每个基因j对目标基因i的重要性得分：
23、
24、其中，m是迭代的总次数，yk是基因k的真实值，fm-1(i)是第m-1次迭代中目标基因i的预测值，f(xkj)是第m次迭代中对候选调控基因j的预测值。
25、为了方便比较，对每个基因j的重要性得分s(j)进行标准化：
26、
27、其中，n代表基因总数，s(k)代表第k个基因的重要性得分，k的取值范围为1到n；
28、通过重要性得分可以鉴定出与调控因子相关的共表达模块，以此获得最终的基因调控网络。
29、优选的，步骤二中，动态图神经网络的构建过程为：
30、对于t类别，第l层的输入为基因调控图gt和基因调控图中的节点嵌入矩阵并使用权重矩阵将节点嵌入矩阵更新为即：
31、
32、其中，gconv表示gcn，是图卷积层，σ是除输出层之外其他层的relu激活函数。是gt的归一化，定义如下：
33、
34、其中，i为单位矩阵，diag函数表示向量在方阵的主对角线上，为矩阵中第i行、第j列的元素；此处，是将gt的归一化表示为了第一个公式，即gt的归一化可以被拆分为三项，后面两个公式是对第一个公式的第二项和第一、三项的解释。
35、对于权重矩阵将其视为动态输出，并且作为后续分类阶段的输入。lstm可以通过使用上下文来维护信息，因此使用lstm模拟动态输入和输出，可以表示为：
36、
37、其中，表示t-1时刻的权重矩阵。
38、将迭代的和不同时刻的基因调控图gt放入动态gcn中，可以得到不同时刻的节点特征矩阵ht。
39、优选的，步骤三中，注意力机制进行特征融合的过程为：
40、为了融合图信息和基因表达信息，对于上一阶段获取到的不同时刻的节点特征矩阵ht，使用自注意力机制关注当前节点前的特征，即h1,h2,…,ht-1，以获取不同时刻的重要信息；使用引导注意力机制关注当前节点的特征ht和之前节点特征之间的本文档来自技高网...
【技术保护点】
1.一种基于时空动态图学习的AD演化模式分析方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于时空动态图学习的AD演化模式分析方法，其特征在于：步骤一中，使用主成分分析方法统一细胞维度，其具体步骤为：
3.根据权利要求1所述的一种基于时空动态图学习的AD演化模式分析方法，其特征在于：步骤一中，将Xn细胞维度的平均值作为基因表达，矩阵中第i行、第j列的元素计算的具体方式为：
4.根据权利要求1所述的一种基于时空动态图学习的AD演化模式分析方法，其特征在于：步骤一中，使用基因网络推理方法得到每一个分类的基因调控图，其具体步骤为：
5.根据权利要求1所述的一种基于时空动态图学习的AD演化模式分析方法，其特征在于：步骤二中，动态图神经网络的构建过程为：
6.根据权利要求1所述的一种基于时空动态图学习的AD演化模式分析方法，其特征在于：步骤三中，注意力机制进行特征融合的过程为：
7.根据权利要求1所述的一种基于时空动态图学习的AD演化模式分析方法，其特征在于：步骤三中，流形对齐的具体过程为：>
8.根据权利要求1所述的一种基于时空动态图学习的AD演化模式分析方法，其特征在于：步骤四中，疾病预测模型的具体训练过程为：
9.根据权利要求1所述的一种基于时空动态图学习的AD演化模式分析方法，其特征在于：步骤四中，评估阿兹海默症预测的准确性，其评价结果可以分为四类：真阳性(TP)、真阴性(TN)、假阳性(FP)、假阴性(FN)，根据四类评价结果得到最终的评价指标：
...【技术特征摘要】
1.一种基于时空动态图学习的ad演化模式分析方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种基于时空动态图学习的ad演化模式分析方法，其特征在于：步骤一中，使用主成分分析方法统一细胞维度，其具体步骤为：
3.根据权利要求1所述的一种基于时空动态图学习的ad演化模式分析方法，其特征在于：步骤一中，将xn细胞维度的平均值作为基因表达，矩阵中第i行、第j列的元素计算的具体方式为：
4.根据权利要求1所述的一种基于时空动态图学习的ad演化模式分析方法，其特征在于：步骤一中，使用基因网络推理方法得到每一个分类的基因调控图，其具体步骤为：
5.根据权利要求1所述的一种基于时空动态图学习的ad演化模式分析方法，其特征在于：步骤二中...
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。