买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西北工业大学申请的专利基于多尺度超图卷积的疾病-miRNA关系预测方法、模型及应用获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116543832B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310389962.X，技术领域涉及：G16B25/10；该发明授权基于多尺度超图卷积的疾病-miRNA关系预测方法、模型及应用是由汪涛;肖翼甫;邓强;尚学群;彭佳杰设计研发完成，并于2023-04-12向国家知识产权局提交的专利申请。

本基于多尺度超图卷积的疾病-miRNA关系预测方法、模型及应用在说明书摘要公布了：本发明涉及一种基于多尺度超图卷积的疾病‑miRNA关系预测方法及应用，在ncRNA‑miRNA‑mRNA转录调控网络上来进行miRNA相似性计算，利用Jaccard方法得到miRNA的相似矩阵，得到靶向关系信息比目前用于疾病相关miRNA预测的miRNA‑target关系网数据更全，更能表现miRNA在转录层面的特征。使用类似的方法，我们得到基于疾病标志有向无环图得到疾病相似矩阵，再训练集中的miRNA‑disease矩阵将稀疏矩阵进行一定程度的补充。在矩阵之上通过不同对相似度进行多个top筛选得到多个均匀超图，再将其拼接，得到最后的多尺度均匀超图，再在其上采用交叉熵损失进行端到端的训练。我们综合考虑了基于相似性的方法以及基于简单图的方法，创造性地提出了基于多尺度超图学习的模型，并最后得到了良好的实验结果。

本发明授权基于多尺度超图卷积的疾病-miRNA关系预测方法、模型及应用在权利要求书中公布了：1.一种基于多尺度超图卷积的疾病-miRNA关系预测方法，其特征在于步骤如下： 步骤1、构建疾病-疾病相似度矩阵DM，以及miRNA-miRNA相似度矩阵IM：步骤a1：计算miRNA之间的相似度MSSMi,j、疾病之间的相似度DSSMi,j：计算任意两个miRNA之间的相似度MSSMi,j： 其中：i,j代表miRNAi和miRNAj的Jaccard相似度，Mi、Mj分别代表miRNAi和miRNAj的靶标集合，即与该miRNA节点相连的节点集合； 计算任意两个疾病之间的相似度DSSMi,j 其中：DSSM1i,j代表疾病i和疾病j的DSSM1相似度，DSSM2i,j代表疾病i和疾病j的DSSM2相似度； 任意两个疾病之间的相似度DSSMi,j的计算过程为： 疾病i和疾病j的相似度在同一子图采用术语“层次距离”来评价，以α来控制层次距离的衰减速率，具有同一根节点的两个疾病i与疾病j的层次距离为： 衡量疾病的语义值以距离根节点层数为标准，公式为节点i与其所有祖先节点的层次距离总和： Ti是节点i的及其既往祖先节点组成的节点集合； 共享有更多相同祖先节点的两个疾病di与dj具有更相似的关系，因此得到： 子图中同一层节点不同疾病j与j′对疾病i的语义贡献不同，用疾病的总体常见程度作为层次距离补充度量，采用下述距离公式进行补充： 同样给出疾病语义值，以子图中疾病罕见性为衡量标准，： DS2i＝∑j∈TiD2i,j 得疾病相似度计算方法： 通过两种相似度计算方法综合考量两个疾病的相似度，公式为： 步骤a2：利用miRNA-disease关联矩阵计算miRNA之间的高斯相似度MGSMi,j、疾病之间的高斯相似度DGSMi,j 计算任意两个miRNA之间的高斯相似度MGSMi,j： MGSMi,j＝exp-rm||IPi-IPj||2 其中： 高斯相似度MGSMi,j中的IPi和IPj分别代表miRNA-疾病关联矩阵中第i行和第j行的列和，r′m设置为1； 计算任意两个疾病之间的高斯相似度DGSMi,j： DGSMi,j＝exp-rd||IPi-IPj||2 其中： 高斯相似度DGSMi,j中的IPi和IPj分别代表miRNA-疾病关联矩阵中第i列和第j列的行和，r′d设置为1； 步骤a3：通过MSSMi,j和MGSMi,j得到miRNA-miRNA相似度矩阵IM： 对于矩阵IM中的每一个位置i，j，如果miRNAi和miRNAj之间存在MSSMi,j，那么该位置的值就等于MSSMi,j，如果不存在，那么值就等于MGSMi,j； 通过DSSMi,j和DGSMi,j得到疾病-疾病相似度矩阵DM： 对于矩阵DM中的每一个位置i，j，如果疾病i和疾病j之间存在DSSMi,j，那么该位置的值就等于DSSMi,j，如果不存在，那么值就等于DGSMi,j； 步骤2、根据相似度矩阵得到多尺度超图； miRNA的k-均匀超图：将所有miRNA的集合看作miRNAk-均匀超图的点集Vm；对于每一个miRNA，将它最相似的前k个miRNA视为与他相连,看作一条超边，得到超边集因为每条超边都会被分配权重，有权重矩阵W，采用表示miRNA的k-均匀超图；从miRNA相似性矩阵IM出发，通过设置k＝2～8，得到miRNA不同尺度的超图 其中：miRNA不同尺度的超图中Vm相同；一条超边上包含k+1个miRNA:该miRNA和与他最相似的k个miRNA；miRNA不同尺度的超图中W相同； 疾病的k-均匀超图：将所有疾病的集合看作疾病k-均匀超图的点集Vd；对于每一个疾病，将它最相似的前k个疾病视为与他相连,看作一条超边，得到超边集因为每条超边都会被分配权重，所以有权重矩阵W，用来表示疾病的k-均匀超图；从疾病相似性矩阵DM出发，通过设置k＝2～8，得到疾病不同尺度的超图 其中：疾病不同尺度的超图中Vd相同；一条超边上包含三个疾病：该疾病和与他最相似的两个疾病；疾病不同尺度的超图中W相同； 步骤3、利用超图卷积对多尺度超图进行学习： 采用超图卷积神经网络HGNN对步骤2得到的不同尺度超图进行学习，得到不同尺度超图中的节点表示： 所述miRNA-miRNA的多尺度超图节点特征更新公式： 其中：k表示在miRNA的k-均匀超图上进行运算；表示m个miRNA来自超图卷积l+1层的特征，代表m个miRNA来自超图卷积l层的特征；σ·是非线性激活函数；Dv[k]代表miRNA的k-均匀超图的超边度矩阵的对角矩阵，De[k]代表miRNA的k-均匀超图的顶点度矩阵的对角矩阵；Hm[k]代表miRNA-miRNA的k-均匀超图对应的邻接矩阵；W代表权重矩阵；Θ代表滤波器，由于是并行运算，滤波器并不共享，表示在miRNA的k-均匀超图上第l个超图卷积层上的滤波器； 所述疾病-疾病的多尺度超图节点特征更新公式： 其中：k表示在疾病的k-均匀超图上进行运算；表示d个疾病来自超图卷积l+1层的特征，代表d个疾病来自超图卷积l层的特征；σ·是非线性激活函数；Dv[k]代表疾病的k-均匀超图的超边度矩阵的对角矩阵，De[k]代表疾病的k-均匀超图的顶点度矩阵的对角矩阵；Hd[k]代表疾病-疾病的k-均匀超图对应的邻接矩阵，W代表权重矩阵；以同等看待不同尺度的超图，因此不同尺度的超图中W不变；Θ代表滤波器，由于是并行运算，滤波器并不共享，表示在疾病的k-均匀超图上第l个超图卷积层上的滤波器； 步骤4、设计目标函数，将不同尺度超图上经过训练的节点表示进行拼接： 对于miRNA-miRNA的多尺度超图，采用公式： 其中代表m个miRNA的最终表示，代表m个miRNA在2-超图到8-超图上的表示，concat·代表concat操作； 对于疾病-疾病的多尺度超图，采用公式： 其中代表d个疾病的最终表示，代表d个疾病在2-超图到8-超图上的表示，concat·代表concat操作； 然后，采用交叉熵损失函数对模型进行训练和优化： 其中，yij代表miRNA-疾病对的真实标签，代表miRNA-疾病对的预测评分，y∪y-代表训练中使用到的正负样本集合，即整个训练集；通过神经网络的反向传播，对训练数据进行训练，使LOSS随着训练迭代次数的增加而不断减小，最终在训练数据上训练好了模型，得到基于多尺度超图学习的模型； 步骤5：将测试数据输入该训练好的模型，输出测试数据即为预测结果，点乘结果越大，代表两者有关联的可能性越大。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。