结合图自动编码器和结构化注意力机制的miRNA-疾病关联预测方法

MicroRNA(miRNA)-疾病关联预测的研究有助于人类进行疾病预防、诊断和治疗等,许多研究人员开发出了基于图自动编码器的miRNA-疾病关联预测方法,然而大多数编码器方法在对中心节点编码的时候并没有考虑到邻居节点之间的差异。因此,本文提出一种结合图自动编码器和结构化注意力机制的miRNA-疾病关联预测方法（SAAE）。SAAE模型使用基于图神经网络的编码器,该编码器采用多个编码层堆叠的方式以探索多阶邻居的信息。为了将中心节点与邻居节点不同权重的特征信息进行融合并捕获节点在图中的高阶结构信息,引进结构化注意力机制对图节点的原始信息进行编码,以生成新的特征信息。随后,通过解码器进行解码,解码后的特征信息使用随机森林算法挖掘miRNA和疾病节点之间的潜在联系。实验结果表明,SAAE在5倍交叉验证的曲线下的平均面积为94.53%。此外,本文还进行了关于肾脏肿瘤和肺部肿瘤的2个案例研究,验证了SAAE预测的有效性。     

一种基于网络表示学习的miRNA-疾病关联预测方法

针对miRNA-疾病关联研究中信息使用不充分、过于依赖网络中节点的相似度信息以及预测准确度较低的问题,提出一种基于网络表示学习的miRNA-疾病关联预测方法(network representation learning miRNA-disease association,NRLMDA)。该方法通过引入长链非编码RNA(lncRNA)构造出miRNA-lncRNA-疾病异构网络,丰富原有网络的生物学信息;采用网络表征学习node2vec算法在上述提出的异构网络中以一定的游走策略获得节点的近邻序列,并通过skip-gram模型进行深度学习,从而获得节点的低维特征向量;最后基于miRNA-miRNA相似性的关联规则推断方法预测miRNA与疾病的关联。该方法能够挖掘出全局网络的拓扑结构特征,并且不需要负样本。NRLMDA在留一交叉验证和五折交叉验证以及进一步的案例研究上的实验结果优于经典方法。     

miRNA与疾病关联关系预测算法

microRNAs（miRNAs）在生命进程中发挥着重要作用.近年来,预测miRNAs与疾病的关联关系成为一个研究热点.当前,计算方法整体上可以分为两大类：基于相似度度量的方法和基于机器学习的方法.前者通过度量网络中节点之间的关联强度预测miRNA-疾病关联,但需要构建高质量的生物网络模型;后者将机器学习相关算法应用到这个问题中,但需要构建高可信度的负例集合.基于以上困难和不足,提出了一种计算模型BNPDCMDA,用于预测miRNAs-疾病关联关系.该方法首先构建miRNA-疾病双层网络模型,然后利用miRNA的功能相似度对其进行基于密度的聚类,进而将二分网络投影应用于聚类后的miRNAs及疾病集合构成的miRNA-疾病双层子网中,最终完成对miRNA与疾病关联关系的预测.实验结果表明,采用留一交叉验证法得到的AUC值可达99.08%,明显优于当前其他高效方法.最后,采用BNPDCMDA方法对某些常见疾病所关联的miRNAs进行预测,实验结果获得了文献的支持,进一步表明了该方法的有效性.     

基于网络表示学习的miRNA功能相似性研究

miRNA是一类重要的非编码小RNA分子,与癌症等疾病有密切的关系。目前研究者已经识别大量miRNA,但是多数miRNA的功能仍然未知。为此,提出一种网络表示学习的miRNA功能相似性计算方法。通过miRNA的相关数据集如目标基因和关联疾病可以有效地计算miRNA的功能相似性,从而预测疾病相关的候选miRNA。利用不同类型生物数据集构建miRNA相关多源网络,采用网络表示学习的方式为网络中的每一个miRNA节点学习一个特征向量,进而使用特征向量来衡量miRNA的相似性。实验结果表明,与DeepWalk方法相比,该方法在同一家族的miRNA中能够取得较高的得分,并且可以在已有的数据库中找到疾病候选miRNA验证记录。     

互信息深度稀疏自编码融合DLSTM预测网络

针对工业系统变量之间存在动态和相互关联特性导致关键变量预测精度降低问题,提出一种互信息深度堆叠稀疏自编码数据特征网络（mutual information-deep stack sparse auto-encoder,MI-DSSAE）结合深度长短期记忆（deep LSTM,DLSTM）预测模型。MI-DSSAE模型对稀疏编码器改进,采用堆叠稀疏编码器结构,引入互信息作为重构损失权重,对多个稀疏编码器隐层迁移并微调。预测部分采用深度DLSTM网络结构,用双层Bi-LSTM结构对序列数据的动态变化特性双向捕捉,将输出数据输入到普通LSTM进行记忆处理,进行全连接层加权预测关键质量变量。采用流程化工业案例脱丁烷塔的C4含量对提出的模型验证,同时对比RNN、LSTM、GRU模型以及MI-DSSAE-RNN、MI-DSSAE-LSTM、MI-DSSAE-GRU等模型,通过RMSE、R2和MAE多项回归误差指标对比分析,验证MI-DSSAE-DLSTM模型的有效性。     

图自动编码器上二阶段融合实现的环状RNA-疾病关联预测

大部分现有的用于预测环状RNA(circRNA）与疾病之间关联关系的计算模型通常使用circRNA和疾病相关数据等生物学知识，配合已知的circRNA-疾病关联信息对来挖掘出潜在的关联信息。然而这些模型受已知关联构成的网络稀疏性、负样本过少等固有问题的影响，导致预测性能不佳。因此，在图自动编码器基础上引入归纳式矩阵补全及自注意力机制进行二阶段融合，以实现circRNA-疾病关联预测，由此构建的模型叫GIS-CDA (Graph auto-encoder combining Inductive matrix complementation and Self-attention mechanism for predicting Circ RNA-Disease Association）。首先，计算circRNA集成和疾病集成的相似性，并利用图自动编码器学习circRNA和疾病的潜在特征，以获得低维表征；接着，将学习到的特征输入归纳式矩阵补全，以提高节点之间的相似性和依赖性；然后，将circRNA特征矩阵和疾病特征矩阵整合为circRNA-疾病特征矩阵，以增强预测的稳定性和精确性；最后，引入...     

基于堆叠稀疏自动编码器的手写数字分类

将稀疏自动编码器(Sparse Autoencoder,SAE)模型应用于数字识别中,并通过多个稀疏自动编码器的堆叠构建了深度网络,采用非监督贪婪逐层训练算法(Greedy Layer-Wise Unsupervised Learning Algorithm)初始化网络权重,使用反向传播算法优化网络参数。利用堆叠稀疏自动编码器学习数字图像的特征,使用softmax分类器进行数字分类。经实验证明,与其它浅层学习模型对比,深度网络不仅进一步学习了数据的高层特征,同时还降低了特征维数,提高了分类器的分类精度,最终改善了手写数字的分类效果。     

基于改进型SDA的自然图像分类与检索

将堆叠去噪编码器应用于图像识别中,并针对自然图像检索领域,使用卷积自动编码器改进堆叠去噪编码器,采用非监督贪婪逐层训练算法初始化网络权重,使用反向传播算法优化网络参数.利用改进的堆叠去噪编码器提取自然图像特征,使用softmax分类器分类.最后将提取的特征结合尺度不变特征转换技术实现图像检索.实验证明改进型堆叠去噪编码器大幅降低网络训练时长的同时增强网络的容错能力,提高分类器的分类精度,最终改善图像的检索效果.     

基于GAN异质网络表示学习的疾病关联预测算法

分析疾病与基因、miRNA等生物实体之间的关联是生物研究领域的重要目标,然而利用海量的数据进行生物学实验成本过高。提出一种基于网络表示学习的关联预测算法,通过多源数据集构建生物异质网络,并给出基于生成式对抗网络的异质网络表示学习算法学习鲁棒的向量表示,算法中的判别器和生成器考虑网络中的关系来捕获丰富的异质语义信息,并通过对抗学习进行训练,在此基础上通过衡量实体向量的相似性预测疾病和基因、miRNA之间的关联。实验结果表明,与HSSVM、GAN等算法相比,该算法在两个关联预测任务上均取得了最高的AUC值,具有更好的预测结果,并且通过引入更多异质数据进行训练,有效提升了算法性能。     

一种流形正则化非负矩阵分解的lncRNA-疾病关系预测方法

长链非编码RNA (lncRNA)在疾病的发生中起着重要作用，然而通过生物学实验探索lncRNA与疾病的关系昂贵且费时，必须开发出更准确和有效的计算方法来预测lncRNA与疾病的关系.本文提出了一种新的基于流形正则化非负矩阵分解的计算方法(MRNMFLDA)来预测lncRNA与疾病的关系.该方法首先采用相似性网络融合方法分别整合lncRNA与疾病的相似性，然后通过构建标签加权矩阵、引入流形正则化约束的非负矩阵分解算法来预测lncRNA与疾病潜在的关系.实验结果表明，本方法在留一交叉验证和5折交叉验证中AUC值分别达到0.8927和0.8635±0.0054,优于其他4种方法.案例研究表明，本方法能够有效地预测与3种疾病(肺癌，宫颈癌，和骨肉瘤)有关系的lncRNA.