【技术实现步骤摘要】
本专利技术涉及circrna与药物耐药性预测，具体涉及一种基于混合图神经网络的circrna药物耐药性预测方法。
技术介绍
1、在相关技术中，对circrna与药物耐药性的预测方法主要分为传统方法和深度学习方法两大类。传统分析方案依赖于生物与医学界的相关高成本实验得到一系列的配对，并整理得到一系列生物数据库。但总体而言，传统方案需要大量观测时间以及昂贵且苛刻的实验资源需求。目前已有一系列的相关深度学习方案能够缩短研发时间，在预测circrna耐药性方面已经取得了值得称赞的效果，但是仍旧存在一系列局限。例如，各个模型使用的特征比较单一；例如gatecda模型和mnclcda模型只使用circrna和药物相关的有限的一组特征。此外，对于特征的提取和利用也存在一定不足，导致预测结果的精度不高。
2、需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本专利技术的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本专利技术提供一种基于混合图神经网络的circrna药物耐药性预测方法、一种存储介质、一种计算机程序产品，以及一种电子设备，能够在一定程度上克服现有技术中存在的缺陷。
2、本专利技术的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本专利技术的实践而习得。
3、根据本专利技术的第一方面，提供一种基于混合图神经网络的circrna药物耐药性预测方法，所述方法包括：
4、构建药物相似度矩
5、基于药物相似度矩阵、疾病相似度矩阵、circrna相似度矩阵，构建circrna-药物相关性矩阵、circrna-疾病相关性矩阵、药物-疾病相关性矩阵；
6、利用药物相似度矩阵、疾病相似度矩阵、circrna相似度矩阵，结合circrna-药物相关性矩阵、circrna-疾病相关性矩阵、药物-疾病相关性矩阵进行数据整合处理，分别获取药物相似性网络、疾病相似性网络和circrna相似性网络；
7、利用基于混合图神经网络的特征提取模型，分别对药物相似性网络、疾病相似性网络circrna相似性网络进行特征提取，获取药物特征数据、疾病特征数据、circrna特征数据；
8、对所述药物特征数据、circrna特征数据进行特征融合处理，获取融合特征数据；
9、对所述融合特征数据进行分类，以获取circrna与药物之间反应关系的预测结果数据。
10、在一些示例性实施方式中，所述构建药物相似度矩阵包括：
11、将药物数据库中各药物的分子结构序列转换为对应的二进制分子指纹数据；
12、利用二进制分子指纹数据计算药物间的药物相似度，并利用药物相似度构建药物相似度矩阵。
13、在一些示例性实施方式中，所述构建疾病相似度矩阵，包括：
14、对疾病数据库中疾病，分别计算任意两个疾病之间的相似度；
15、结合疾病之间的相似度、与疾病相关的基因数，疾病与药物的相关性，构建疾病相似度矩阵。
16、在一些示例性实施方式中，所述构建circrna相似度矩阵，包括：
17、根据circrna的名称和基因组位置，对多个不同的与疾病相关的circrna数据集进行数据整合，构建目标circrna数据集；其中，目标circrna数据集包括：circrna，耐药相关的ncrnas和药物靶向的ncrnas；
18、基于circrna的序列信息计算circrna的相似度，基于circrna的相似度构建circrna相似度矩阵。
19、在一些示例性实施方式中，所述利用药物相似度矩阵、疾病相似度矩阵、circrna相似度矩阵，结合circrna-药物相关性矩阵、circrna-疾病相关性矩阵、药物-疾病相关性矩阵进行数据整合处理，获取药物相似性网络、疾病相似性网络和circrna相似性网络，包括：
20、对药物相似度矩阵、circrna-药物相关性矩阵、药物-疾病相关性矩阵进行数据整合处理，获取药物相似性网络；
21、对疾病相似度矩阵、circrna-疾病相关性矩阵、药物-疾病相关性矩阵进行数据整合处理，获取疾病相似性网络；
22、对circrna相似度矩阵、circrna-药物相关性矩阵、circrna-疾病相关性矩阵进行数据整合处理，获取circrna相似性网络。
23、在一些示例性实施方式中，所述基于混合图神经网络的特征提取模型包括至少两层混合图神经网络层；
24、各混合图神经网络层包括依次设置的图卷积神经网络层和图注意力神经网络层。
25、在一些示例性实施方式中，利用基于混合图神经网络的特征提取模型进行特征提取时，所述方法还包括：
26、基于所述疾病特征数据，配置所述药物特征数据、circrna特征数据的约束条件。
27、在一些示例性实施方式中，所述融合特征数据包括：多对基于circrna特征和药物特征构建的融合描述符。
28、根据本专利技术的第二方面，提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于混合图神经网络的circrna药物耐药性预测方法。
29、根据本专利技术的第三方面，提供一种计算机程序产品，其上存储有计算机程序，计算机程序被处理器执行时实现上述的基于混合图神经网络的circrna药物耐药性预测方法。
30、根据本专利技术的第四方面，提供一种电子设备，包括：
31、处理器；以及
32、存储器，用于存储所述处理器的可执行指令；
33、其中，所述处理器配置为经由执行所述可执行指令时实现上述的基于混合图神经网络的circrna药物耐药性预测方法。
34、本专利技术的实施例所提供的基于混合图神经网络的circrna药物耐药性预测方法，通过构建药物相似性网络、疾病相似性网络和circrna相似性网络，将疾病背景信息整合到基准数据中，从而能够实现将特定的疾病上下文整合到circrna药物相互作用的分析中；再利用基于混合图神经网络的特征提取模型来提取药物特征数据、疾病特征数据和circrna特征数据，并利用特征数据进行融合后进行分类，从而可以得到准确性更高的circrna与药物之间反应关系的预测结果。
35、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
本文档来自技高网...【技术保护点】
1.一种基于混合图神经网络的circRNA药物耐药性预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述构建药物相似度矩阵包括：
3.根据权利要求1所述的方法，其特征在于，所述构建疾病相似度矩阵，包括：
4.根据权利要求1所述的方法，其特征在于，所述构建circRNA相似度矩阵，包括：
5.根据权利要求1所述的方法，其特征在于，所述利用药物相似度矩阵、疾病相似度矩阵、circRNA相似度矩阵，结合circRNA-药物相关性矩阵、circRNA-疾病相关性矩阵、药物-疾病相关性矩阵进行数据整合处理，获取药物相似性网络、疾病相似性网络和circRNA相似性网络，包括：
6.根据权利要求1所述的方法，其特征在于，所述基于混合图神经网络的特征提取模型包括至少两层混合图神经网络层；
7.根据权利要求1或6所述的方法，其特征在于，利用基于混合图神经网络的特征提取模型进行特征提取时，所述方法还包括：
8.根据权利要求1所述的方法，其特征在于，所述融合特征数据包括：多对基于circ
9.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的基于混合图神经网络的circRNA药物耐药性预测方法。
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
1.一种基于混合图神经网络的circrna药物耐药性预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述构建药物相似度矩阵包括：
3.根据权利要求1所述的方法，其特征在于，所述构建疾病相似度矩阵，包括：
4.根据权利要求1所述的方法，其特征在于，所述构建circrna相似度矩阵，包括：
5.根据权利要求1所述的方法，其特征在于，所述利用药物相似度矩阵、疾病相似度矩阵、circrna相似度矩阵，结合circrna-药物相关性矩阵、circrna-疾病相关性矩阵、药物-疾病相关性矩阵进行数据整合处理，获取药物相似性网络、疾病相似性网络和circrna...
【专利技术属性】
技术研发人员：王永天，沈文恺，
申请(专利权)人：西北工业大学深圳研究院，
类型：发明
国别省市：
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。