[发明专利]一种基于融合神经网络的LncRNA-疾病关联预测方法

权利要求书

1.一种基于融合神经网络FNN（Fusion Neural Networks，FNN）和栈式自编码器（Stacked Autoencoder，SAE）的LncRNA-疾病关联预测方法，整体步骤如下：

步骤1：整合LncRNA功能相似性、疾病语义相似性、LncRNA-疾病互作、LncRNA-miRNA相互作用以及miRNA-疾病关联多源数据构建特征矩阵；

步骤2：基于SAE模块学习LncRNA-疾病对的低维网络表示，基于融合神经网络FNN模块进行高阶特征的提取，学习LncRNA-疾病时间依赖和共享参数的高级特征；两个模块都经过全连接层和softmax层，得到LncRNA-疾病的相关可能性即关联得分；

步骤3：赋予两个模块的预测分值不同的权值，对分值进行加权融合得到预测得分，筛选出疾病相关LncRNA。

2.根据权利要求1所述的LncRNA-疾病关联预测方法，从生物学角度构建数据特征，整合来自多个来源的LncRNAs、疾病和miRNAs的关联、相似性等异质数据，构建LncRNA功能相似性特征、疾病语义相似性特征和LncRNA-疾病关联特征；

其中LncRNA功能相似性特征构建方式如下：在已经验证的生物数据库中发现相似的LncRNA可能与相似的疾病有关联，通过计算两种疾病的相似衡量LncRNA之间的功能相似度；采用LncRNA之间的功能相似度算法计算两种LncRNA的功能相似度，构建LncRNA功能相似性矩阵LS，LS(i,j)表示LncRNA l(i)与LncRNA l(j)之间的相似度，其值在0~1之间变化；LS(i,j)越接近于1，表示l(i)和l(j)越相似；LS作为栈氏自编码器特征提取模块的输入；

疾病语义相似性特征构建方式如下：根据疾病的DAGs模型提取疾病之间的语义相似性，完成对疾病的语义相似度的权值定义，构建疾病语义相似度矩阵DS；DS(i,j)表示疾病之间的语义相似度，取值范围为0~1，DS(i,j)越接近于1，表示d(i)和d(j)越相似；DS作为栈氏自编码器特征提取模块的另一个输入；

LncRNA-疾病关联特征构建方式如下：根据生物信息库中已证实的LncRNA-疾病、LncRNA-miRNA、疾病-miRNA之间所存在的相互影响作用，分别构建由LncRNA与疾病组成的关系矩阵、LncRNA与miRNA组成的关系矩阵以及疾病与miRNA组成的关系矩阵 ，LD、LM和DM取值均为0或1，若LncRNA l_i与miRNA m_j相互作用，LM_ij=1，反之 LM_ij=0；对于LncRNA l_i和疾病 d_j，如果与它们相关联的LncRNA、疾病以及miRNA及其互作关系有较多的相同，那么l_i和d_j的关联性将很大；将LncRNA l_i 和所有LncRNA的相似关系记作 x₁，l_i与所有疾病的互作关系用向量x₂ 表示，l_i与每个miRNA的相互作用用向量x₃ 表示；与l_i类似方法，疾病d_j与所有LncRNA的互作关系用向量y₁表示，疾病d_j与各个疾病的语义相似性记为y₂，向量y₃表示疾病d_j与每个miRNA的互作关系，LncRNAl₁ 和疾病d₂构建的特征矩阵拼接；属性向量通过公式（1）进行拼接:

公式1

从而得到LncRNA l₁ 和疾病d₂的属性关联嵌入矩阵 T，其中，(Nl+Nd+Nm) ×2表示为关联矩阵 T 的维度；该LncRNA和疾病的关联嵌入矩阵 T 作为基于融合神经网络FNN的特征提取模块的输入。