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！

申请/专利权人：东北林业大学

摘要：基于深度特征融合的疾病相关circRNA预测系统，本发明涉及疾病相关circRNA预测系统。本发明的目的是为了解决现有基于机器学习的方法只是将circRNA和disease的特征分别处理后进行简单的拼接，只关注网络中相邻结点的特征和本身的特征，没有将disease的特征信息与circRNA的特征信息进行整合，导致disease的特征与circRNA特征中的有效信息没有得到充分利用，对disease与circRNA的关联性预测准确率低的问题。系统包括：circRNA‑disease之间的关联关系获取模块、矩阵获取模块、circRNA整合相似性矩阵获取模块、disease整合相似性矩阵获取模块、局部特征提取模块、circRNA的全局特征提取模块、disease的全局特征提取模块、disease特征获取模块、circRNA特征获取模块、disease与circRNA的关联预测模块、待测模块。本发明用于生物信息领域。

主权项：1.基于深度特征融合的疾病相关circRNA预测系统，其特征在于：所述系统包括：circRNA-disease之间的关联关系获取模块、矩阵获取模块、circRNA整合相似性矩阵获取模块、disease整合相似性矩阵获取模块、局部特征提取模块、circRNA的全局特征提取模块、disease的全局特征提取模块、disease特征获取模块、circRNA特征获取模块、disease与circRNA的关联预测模块、待测模块；所述circRNA为环状RNA；disease为疾病；circRNA-disease之间的关联关系获取模块用于收集circRNA-disease关联数据，对关联数据进行预处理，得到circRNA-disease之间的关联关系，再获取疾病之间的关联关系；矩阵获取模块用于由circRNA-disease之间的关联关系和疾病之间的关联关系计算circRNA的多种相似性矩阵，disease的多种相似性矩阵，circRNA协同矩阵，disease协同矩阵；circRNA整合相似性矩阵获取模块用于对circRNA的多种相似性矩阵进行整合，获得circRNA整合相似性矩阵；disease整合相似性矩阵获取模块用于对disease的多种相似性矩阵进行整合，获得disease整合相似性矩阵；局部特征提取模块用于使用CNN对circRNA和disease的整合相似性矩阵进行处理，提取circRNA和disease的局部特征，获得circRNA和disease的局部特征矩阵；所述CNN为卷积神经网络；circRNA的全局特征提取模块用于将circRNA整合相似性矩阵与circRNA协同矩阵输入GCN，经过两层GCN特征提取得到circRNA的全局特征，获得circRNA的全局特征矩阵；disease的全局特征提取模块用于将disease整合相似性矩阵与disease协同矩阵输入GCN，经过两层GCN对特征的提取得到disease的全局特征，获得disease的全局特征矩阵；所述GCN为图神经网络；disease特征获取模块用于将disease局部特征和circRNA全局特征进行融合，获得最终的disease特征矩阵；circRNA特征获取模块用于将circRNA局部特征和disease全局特征进行融合，获得最终的circRNA特征矩阵；disease与circRNA的关联预测模块用于将获得的最终的disease特征矩阵和最终的circRNA特征矩阵输入随机森林进行disease与circRNA的关联预测，直至收敛，获得训练好的disease与circRNA的关联预测模块；待测模块用于将待测disease与circRNA输入训练好的disease与circRNA的关联预测模块进行关联评分预测；所述矩阵获取模块用于由circRNA-disease之间的关联关系计算circRNA的多种相似性矩阵，disease的多种相似性矩阵，circRNA协同矩阵，disease协同矩阵；具体过程为：使用circRNA-disease之间的关联关系和疾病之间的关联关系计算disease语义相似性，disease高斯相似性，disease协同矩阵，circRNA功能相似性，circRNA高斯相似性，circRNA协同矩阵；A、disease语义相似性计算公式如下： 其中，dm为diseasem，dn为diseasen，DSdm,dn为diseasem和diseasen的语义相似性；是包含diseasem的有向无环图中，diseasem所有的祖先结点与diseasem本身所组成的集合；是包含diseasen的有向无环图中，diseasen所有的祖先结点与diseasen本身所组成的集合；h是diseaseh；x是或中的疾病； 是diseaseh对diseasen的语义贡献值，是diseaseh对diseasem的语义贡献值，可以通过如下公式计算： 其中，θ为语义贡献因子，设置为0.5；*为乘号，为diseaseh′对diseasem的语义贡献值，h′为diseaseh′，childrenofh为diseaseh的子女；B、disease高斯相似性计算公式如下：： 其中，DGdm,dn为diseasem和diseasen的高斯相似性；Αdm为circRNA-disease关联矩阵的第m列，Αdn为circRNA-disease关联矩阵的第n列，Nd为circRNA-disease关联矩阵的列数，i表示关联矩阵第i列，Αdi为circRNA-disease关联矩阵的第i列；C、circRNA功能相似性计算流程如下：首先计算DSSdq,Dn，DSSdq,Dn表示diseaseq与Dn中每个疾病的语义相似性的最大值，通过如下公式得到； 其中，DSdq,du表示diseaseq和diseaseu的语义相似性，dq为diseaseq，du为diseaseu，Dn表示与circRNAn相关的disease集合；然后使用disease语义相似性和circRNA-disease关联矩阵进行circRNA功能相似性的计算，circRNA功能相似性计算公式如下： 其中，CFcm,cn表示circRNAm与circRNAn的功能相似性，cm表示circRNAm，cn表示circRNAn，DSSdp,Dm表示diseasep与Dm中每个疾病的语义相似性的最大值，Dm表示与circRNAm相关的disease集合；D、circRNA高斯相似性计算公式如下： 其中，CGcm,cn表示circRNAm与circRNAn的高斯相似性；Αcn表示circRNA-disease关联矩阵的第n行，Αcm为circRNA-disease关联矩阵的第m行，Nc为circRNA-disease关联矩阵的行数，i表示circRNA-disease关联矩阵第i行，Αci为circRNA-disease关联矩阵的第i行；E、circRNA协同矩阵和Disease协同矩阵具体为：circRNA协同矩阵第m行第n列上的值为在所有disease中，某一个disease与circRNAm有关时，也与circRNAn有关的概率；Disease协同矩阵第m行第n列上的值为在所有circRNA中，某一circRNA与diseasem有关时，也与diseasen有关的概率；所述circRNA整合相似性矩阵获取模块用于对circRNA的多种相似性矩阵进行整合，获得circRNA整合相似性矩阵；具体过程为：将circRNA功能相似性和circRNA高斯相似性进行整合，获得circRNA整合相似性矩阵，表达式如下： 其中，Csimcm,cn为circRNAm与circRNAn整合的相似性的值；所述disease整合相似性矩阵获取模块用于对disease的多种相似性矩阵进行整合，获得disease整合相似性矩阵；具体过程为：将disease语义相似性和disease高斯相似性进行整合，获得disease整合相似性矩阵表达式如下： 其中，Dsimdm,dn为diseasem与diseasen整合的相似性的值；所述局部特征提取模块用于使用CNN对circRNA和disease的整合相似性矩阵进行处理，提取circRNA和disease的局部特征，获得circRNA和disease的局部特征矩阵；所述CNN为卷积神经网络；具体过程为：CNN的卷积层使用一个卷积核对disease和circRNA的特征进行过滤,以提取circRNA和disease的特征，然后经过池化层得到circRNA与disease的局部特征；所述circRNA的全局特征提取模块用于将circRNA整合相似性矩阵与circRNA协同矩阵输入GCN，经过两层GCN特征提取得到circRNA的全局特征，获得circRNA的全局特征矩阵；具体过程为：每一层GCN的输出由如下公式表示： Hnew＝GCNW,H其中，W为circRNA的协同矩阵，H为circRNA相似性矩阵，Relu为激活函数，Hnew为经过GCN处理得到的新的circRNA特征矩阵，为中间变量，I为单位矩阵，L是一个度矩阵，为的第i行第j列，Q为一个可训练的矩阵；所述disease特征获取模块用于将disease局部特征和circRNA全局特征进行融合，获得最终的disease特征矩阵；具体过程为：将disease局部特征矩阵和circRNA全局特征矩阵进行点乘获得最终的disease特征矩阵；所述circRNA特征获取模块用于将circRNA局部特征和disease全局特征进行融合，获得最终的circRNA特征表示；具体过程为：将circRNA局部特征矩阵和disease全局特征矩阵进行点乘获得最终的circRNA特征矩阵；所述disease与circRNA的关联预测模块用于将获得的最终的disease特征矩阵和最终的circRNA特征矩阵输入随机森林进行disease与circRNA的关联预测，直至收敛，获得训练好的disease与circRNA的关联预测模块；具体过程为：最终的circRNA特征矩阵和disease整合相似性矩阵进行拼接获得circRNA-disease对的特征矩阵1；最终的disease特征矩阵和circRNA整合的相似性矩阵进行拼接获得circRNA-disease对的特征矩阵2；所述最终的circRNA特征矩阵和disease整合相似性矩阵进行拼接获得circRNA-disease对的特征矩阵1；具体过程为：最终的circRNA特征矩阵为行，disease整合相似性矩阵为行；将circRNA特征矩阵的第一行数据分别与disease整合相似性矩阵的行数据进行拼接，获得行数据，作为获得circRNA-disease对的特征矩阵1的第一行至第行；将circRNA特征矩阵的第二行数据分别与disease整合相似性矩阵的行数据进行拼接，获得行数据，作为获得circRNA-disease对的特征矩阵1的第行至第行；直至将circRNA特征矩阵的第行数据分别与disease整合相似性矩阵的行数据进行拼接，获得行数据，作为获得circRNA-disease对的特征矩阵1的第行至第行；最终的circRNA特征矩阵与disease整合相似性矩阵进行拼接共获得行数据；所述最终的disease特征矩阵和circRNA整合的相似性矩阵进行拼接获得circRNA-disease对的特征矩阵2；具体过程为：最终的circRNA特征矩阵为行，disease整合相似性矩阵为行；将circRNA整合的相似性矩阵的第一行数据分别与disease特征矩阵的行数据进行拼接，获得行数据，作为获得circRNA-disease对的特征矩阵2的第一行至第行；将circRNA整合的相似性矩阵的第二行数据分别与disease特征矩阵的行数据进行拼接，获得行数据，作为获得circRNA-disease对的特征矩阵2的第行至第行；直至将circRNA整合的相似性矩阵的第行数据分别与disease特征矩阵的行数据进行拼接，获得行数据，作为获得circRNA-disease对的特征矩阵2的第行至第行；最终的circRNA特征矩阵与disease整合相似性矩阵进行拼接共获得行数据；用circRNA-disease对的特征矩阵1训练随机森林模型1，获得训练好的随机森林模型1；用circRNA-disease对的特征矩阵2训练随机森林模型2，获得训练好的随机森林模型2；将circRNA-disease对的特征矩阵1输入训练好的随机森林模型1输出的关联评分1；将circRNA-disease对的特征矩阵2输入训练好的随机森林模型2输出的关联评分2；将随机森林模型1输出的关联评分1和随机森林模型2输出的关联评分2相加除以2，得到circRNA-disease对的关联评分。

全文数据：

权利要求：

百度查询： 东北林业大学 基于深度特征融合的疾病相关circRNA预测系统