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！

摘要：本发明属于计算机辅助疾病诊断领域，具体是基于多模态协同表示学习的piRNA‑疾病关联的识别方法，该方法通过融合piRNA‑disease关联信息以及piRNA和疾病的多源相似性信息构建综合的异构网络；将异构网络表示学习模块、关联网络表示学习模块和多视图表示学习模块的特征进行融合，构建一个集成多模态的piRNA‑disease关联对特征表示，基于全连接神经网络来预测piRNA与疾病之间的关联置信度。本发明充分挖掘了来自piRNA和疾病的五种多源相似性信息；从不同视角引入了三种协同表示学习模块，通过各模块之间的相互作用与补充，使得MCRL‑PDA能够更加精确的捕获piRNA与疾病之间的复杂关系。本发明多源相似性融合和多模块表示学习的方法可以有效提高MCRL‑PDA识别不同实体间复杂关系的能力。

主权项：1.基于多模态协同表示学习的piRNA-疾病关联的识别方法，其特征在于，该方法包括以下步骤：步骤S101：融合piRNA-disease关联信息以及piRNA和疾病的多源相似性信息构建综合的异构网络；步骤S102：设计一个基于多头注意力机制的异构网络表示学习模块，捕获来自piRNA，disease节点的多样化特征；步骤S103：构建一个基于GCN的关联网络表示学习模块，以piRNA-disease关联网络为输入、集成的piRNA相似性网络PS、集成的disease相似性网络DS为特征，分别迭代更新节点的特征表示；步骤S104：基于扩张卷积设计一个多视图表示学习模块；在步骤S104中：结合piRNA相似性网络PS的第i行，A的第i行来构建的特征表示： 其中，代表拼接操作，代表piRNA与其他的所有piRNA的相似性分数，代表所有的与相互作用的疾病信息；结合disease相似性网络DS的第j行，A的第j列来构建的特征表示： ； 代表disease与其他的所有disease的相似性分数，代表所有的与disease相互作用的piRNA信息；随后，通过以下方式构建节点对的特征表示： ；利用扩张卷积，卷积核的感受野根据扩张率扩展为可变大小；通过整合不同感受野所揭示的多视图特征，捕获piRNA-疾病节点对之间的复杂关系的全面特征表示T；在全面特征表示T周围填充零并把零填充后的矩阵表示为：；卷积层包含个高度和宽度分别是和的滤波器，给定一个膨胀率d，当第q个滤波器移动到的第m行，第n列时，受影响的区域定义如下： ；其中，，，；将第q个滤波器应用于，通过卷积操作更新得到第q个特征图上受影响区域中的元素值： ；其中，是Relu函数，*代表卷积操作，和代表第q个滤波器的可学习的权重矩阵和偏置向量；引入最大池化层来提取特征图上的特征，将滤波器的高度和宽度分别设为和，经过最大池化后的在第q个特征图上受影响区域的元素值定义如下： ；给定膨胀率d，经过上述扩张卷积-池化层的处理，获得视图d的特征表示，设定d=[1,2,3]，分别获得、和，反映了来自不同视图的节点对的特征表示；将、和拼接，随后输入到另一个卷积-池化层中进行融合，形成多视图的节点对的特征表示；步骤S105：将异构网络表示学习模块、关联网络表示学习模块和多视图表示学习模块的特征进行融合，构建一个集成多模态的piRNA-disease关联对特征表示，基于全连接神经网络预测piRNA与疾病之间的关联置信度；在步骤S105中，异构网络表示学习模块和多视图表示学习模块之后引入了一个线性变换层，对各表示学习模块提取的特征进行维度映射；将异构网络表示学习模块的输出中第i行与的第j行进行拼接，形成异构网络表示学习模块的关联对的特征表示： ；将关联网络表示学习模块的中第i行与的第j行进行拼接，形成关联网络表示学习模块的关联对的特征表示： ；通过线性变换层维度映射之后的每个模块的关联对的特征表示进行融合： ；将关联对的多模块特征表示作为全连接神经网络的输入，计算piRNA-disease关联对的置信分数： ；其中，w和b分别表示可学习的权重矩阵和偏置，损失函数选用交叉熵函数，用来衡量预测值和实际值之间的差异，损失函数定义如下： ；其中，N和分别代表piRNA-disease关联对的数量及其真实的标签；最后，使用Adam优化器来最小化损失函。

全文数据：

权利要求：

百度查询： 安徽农业大学 基于多模态协同表示学习的piRNA-疾病关联的识别方法