1.基于高阶拓扑特征sm-mirna关联预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于高阶拓扑特征sm-mirna关联预测方法,其特征在于,将观察图利用k-hop算法得到若干个k跳子图包括:
3.根据权利要求1所述的基于高阶拓扑特征sm-mirna关联预测方法,其特征在于,步骤二s包括:
4.根据权利要求1所述的基于高阶拓扑特征sm-mirna关联预测方法,其特征在于,步骤三具体包括:
5.根据权利要求4所述的基于高阶拓扑特征sm-mirna关联预测方法,其特征在于,节点级别、链接级别、图级别的特征公式为:
6.根据权利要求1所述的基于高阶拓扑特征sm-mirna关联预测方法,其特征在于,构建图为g(v,e,x),v和e分别是图g中节点和边的集合,x为节点特征,x的公式为:
7.根据权利要求1所述的基于高阶拓扑特征sm-mirna关联预测方法,其特征在于,图级别的特征是将g+和g-图级别返回概率之间的差异作为最终的图级别特征graphτ。
8.根据权利要求1所述的基于高阶拓扑特征sm-mirna关联预测方法,其特征在于,最终特征列表通过交叉熵损失函数得到得分矩阵,利用得分矩阵得到预测分数。
9.基于高阶拓扑特征的小分子药物-mirna关联预测系统,其特征在于,包括:存储器,用于存储可由处理器执行的指令;处理器,用于执行指令以实现如权利要求1-8任一项所述的基于高阶拓扑特征sm-mirna关联预测方法。
10.存储有计算机程序代码的计算机可读介质,其特征在于,计算机程序代码在由处理器执行时实现如权利要求1-8任一项所述的基于高阶拓扑特征sm-mirna关联预测方法。