公开(公告)号：CN116913374A

公开(公告)日：2023-10-20

申请号：CN202310720052.5

申请日：2023-06-17

Applicant: 哈尔滨理工大学

Inventor： 姚登举 ,  张雪慧 ,  邓岳潇

IPC: G16B20/00 ,  G16B40/00 ,  G06F18/2431 ,  G06F18/22 ,  G06F16/901 ,  G06N3/0464 ,  G06N3/0499 ,  G06N3/08

Abstract: 本发明设计了一种基于多视图数据和超图学习的lncRNA与疾病关联预测方法。首先，分别利用lncRNA和疾病的多视图数据构建多个lncRNA‑lncRNA和疾病‑疾病的相似性网络；考虑到不同相似性信息的重要性不同，结合图卷积神经网络和注意力机制从多个相似性网络中提取更有效的相似性信息作为节点嵌入；其次，引入一些超节点用来获取lncRNA与节点间有效的链路，结合相似性网络构建一个lncRNA‑疾病异构超图；最后采用Transformer聚合邻居节点信息并更新lncRNA和疾病的节点嵌入；最后采用集成分类器预测lncRNA与疾病之间的关联。它有助于研究lncRNA在疾病中的作用机制，进而为临床诊断、疾病预防提供帮助，探索疾病的新疗法。

公开(公告)号：CN116665875A

公开(公告)日：2023-08-29

申请号：CN202310720053.X

申请日：2023-06-17

Applicant: 哈尔滨理工大学

Inventor： 姚登举 ,  邓岳潇 ,  张雪慧

IPC: G16H50/00 ,  G16B40/00 ,  G06N3/0455 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明设计了一种基于多种特征融合的LncRNA和疾病关联预测方法，主要由两部分组成：基于条件随机域的图自编码器进行特征提取和基于元路径的图注意力神经网络。首先获得初步的特征矩阵后将其输入到卷积层中，对特征进行压缩，从而计算初始嵌入特征；随后其中通过计算不同节点的注意力分数，充分运用当前节点的邻居节点特征来更新当前节点特征。其次通过异构图提取不同类型的元路径，通过相邻的不同节点的相似度及其贡献度来更新目标节点的特征。对上述得到的特征进行融合，最后进行预测得分，从而筛选出与疾病关联的lncRNA。该模型充分利用相邻节点对目标节点的影响，有效提高特征的精确度，使预测结果更加准确。