基于共享单元的环状RNA和疾病关联预测模型的构建方法、预测系统和预测方法

本发明属于计算机生物信息学领域，尤其涉及一种基于共享单元的环状rna和疾病关联预测模型的构建方法、预测系统和预测方法。

背景技术：

1、环状rna作为一类特殊的非编码rna分子，在细胞内的多种生物学过程中扮演着关键角色。它们通过与mirna、蛋白质等分子相互作用，参与调控基因表达和信号传导，进而影响疾病的发生和发展。预测环状rna与特定疾病之间的关联，能够帮助我们揭开疾病的分子面纱，理解其复杂的生物学网络。这种理解是开发新疗法、早期诊断工具和个性化治疗方案的基础。通过识别与疾病相关的环状rna，可以开发出新的生物标志物，这些标志物能够用于疾病的早期识别、病程监控和治疗效果评估，从而提高治疗的精准度。此外，这些关联信息还可能揭示新的治疗靶点，为开发针对性药物提供方向，尤其是在那些传统治疗方法效果有限的疾病领域。同时，这种预测能力还能帮助我们预测患者对特定药物的反应，优化临床用药方案。更重要的是，了解环状rna在疾病中的作用，可以为疾病预防提供新的策略，通过调节特定环状rna的表达来降低疾病风险。综上，环状rna与疾病关联预测不仅对基础科学研究具有重要意义，也对临床实践、公共卫生政策制定以及经济效益产生深远的影响。通过这一预测，可以实现从基础研究到临床应用的转化，推动医学科学的进步，最终改善人类健康。

2、目前，环状rna（circrna）与疾病关联预测的方法主要有以下几类：

3、基于网络的方法，该方法通过充分利用不同类型的生物数据构建异构网络来预测关联。但是如何有效地整合多种类型的数据是一个需要深入研究的问题，目前并没有很好的解决方案。

4、基于传统机器学习的方法，该方法通过整合不同的特征结合传统机器学习方法来预测circrna-疾病关联，例如梯度决策树、矩阵分解法等，但是该方法在提取特征时依赖于不同的相似度策略，但并不是所有策略都对模型有效。

5、基于深度学习的方法，该方法能够学习并预测潜在的疾病相关的环状rna，可以自动提取描述符中包含的高级特征，较准确的预测新的环状rna疾病关联。但是现有的基于深度学习的方法未能充分利用视图间的潜在信息，且未考虑视图的重要性差异，导致预测性能有限。

技术实现思路

1、本发明的目的是针对现有技术存在的问题提出一种基于共享单元的环状rna和疾病关联预测模型的构建方法、预测系统和预测方法。

2、为达到上述目的，本发明采用了下列技术方案：

3、一种基于共享单元的环状rna和疾病关联预测模型的构建方法，包括：

4、基于已知关联数据集构建环状rna元路径网络、环状rna相似性网络、疾病元路径网络和疾病相似性网络；

5、对环状rna相似性网络、环状rna元路径网络、疾病相似性网络和疾病元路径网络分别进行特征提取得到环状rna相似性特征、环状rna元路径特征、疾病相似性特征和疾病元路径特征；

6、环状rna相似性特征和环状rna元路径特征被同时输入至共享单元进行多视图的交互与融合；

7、疾病相似性特征和疾病元路径特征被同时输入至共享单元进行多视图的交互与融合；

8、共享单元输出的环状rna相似性特征、疾病相似性特征被输入至多层感知机mlp进行环状rna与疾病的关联预测；

9、基于模型损失函数根据关联预测结果更新模型参数以使模型具备关联预测能力。

10、在上述的基于共享单元的环状rna和疾病关联预测模型的构建方法中，包括有至少两种所述的环状rna相似性网络，且至少一种环状rna相似性网络的环状rna相似性特征与所述的环状rna元路径特征被同时输入至所述的共享单元；

11、经过共享单元的环状rna相似性特征与其余环状rna相似性特征被输入至多通道注意力机制，经多通道注意力机制处理后输入至所述的多层感知机；

12、包括有至少两种所述的疾病相似性网络，且至少一种疾病相似性网络的疾病相似性特征与所述的疾病元路径特征被同时输入至所述的共享单元；

13、经过共享单元的疾病相似性视图特征与其余疾病相似性特征被输入至多通道注意力机制，经多通道注意力机制处理后输入至所述的多层感知机。

14、在上述的基于共享单元的环状rna和疾病关联预测模型的构建方法中，本方法还包括对比学习过程：

15、构建对比学习中的正负样本对，选择同一环状rna/同一疾病在不同视图的特征为正样本对，选择不同实体在不同视图的特征为负样本对，在模型参数更新过程中，分别通过环状rna的对比学习损失函数和疾病的对比学习损失函数增加正样本对之间的相似性，降低负样本对之间的相似性；

16、模型训练过程中基于损失函数更新模型参数。

17、在上述的基于共享单元的环状rna和疾病关联预测模型的构建方法中，多通道注意力机制对多种疾病相似性特征的输出与经过共享单元处理的疾病元路径特征参与疾病的对比学习过程；

18、多通道注意力机制对多种环状rna相似性特征的输出与经过共享单元处理的环状rna元路径特征参与环状rna的对比学习过程。

19、在上述的基于共享单元的环状rna和疾病关联预测模型的构建方法中，包括两个共享单元，分别对应于疾病和环状rna；

20、环状rna相似性特征和环状rna元路径特征被同时输入至一共享单元；

21、疾病相似性特征和疾病元路径特征被同时输入至另一共享单元；

22、包括两个多通道注意力机制，分别对应于疾病和环状rna；

23、经过共享单元的环状rna相似性特征与其余环状rna相似性特征被输入至一多通道注意力机制进行处理；

24、经过共享单元的疾病相似性视图特征与其余疾病相似性特征被输入至另一多通道注意力机制进行处理。

25、在上述的基于共享单元的环状rna和疾病关联预测模型的构建方法中，所述的环状rna相似性网络包括环状rna功能相似性网络和环状rna gip相似性网络；

26、从环状rna gip相似性网络提取的环状rna gip相似性特征与环状rna元路径特征被同时输入至所述的共享单元；

27、所述的疾病相似性网络包括疾病语义相似性网络和疾病gip相似性网络；

28、从疾病gip相似性网络提取的疾病gip相似性特征与疾病元路径特征被同时输入至所述的共享单元。

29、在上述的基于共享单元的环状rna和疾病关联预测模型的构建方法中，通过如下方式构建所述的疾病语义相似性网络：

30、

31、其中：和分别表示疾病和疾病的祖先疾病集合；

32、表示祖先疾病对的语义贡献，表示祖先疾病对的语义贡献；

33、通过如下方式构建所述的疾病gip相似性网络：

34、其中：和分别为疾病和在环状rna-疾病关联矩阵中的列向量；

35、为归一化带宽参数；

36、通过如下方式构建所述的环状rna功能相似性网络：

37、

38、其中：和分别为与环状rna和相关联的疾病集合；

39、表示疾病与集合中所有疾病的相似性得分；表示疾病与集合中所有疾病的相似性得分；

40、通过如下方式构建所述的环状rna gip相似性网络：

41、

42、和分别为环状rna和在关联矩阵中的行向量；为归一化带宽参数。

43、在上述的基于共享单元的环状rna和疾病关联预测模型的构建方法中，基于已知关联数据集构建所述的环状rna元路径网络，包括：

44、

45、基于已知关联数据集构建所述的疾病元路径网络，包括：

46、

47、其中：为已知关联数据集的关联矩阵；为环状rna与疾病的关联矩阵的转置。

48、上述关联数据集为关联矩阵形式，或将关联数据集转换为关联矩阵。

49、一种基于共享单元的环状rna和疾病关联预测系统，包括处理器和存储介质，所述的存储介质中存储有通过上述方法构建的预测模型，处理器用于执行所述的预测模型，即执行预测模型中的算法和计算。

50、一种基于共享单元的环状rna和疾病关联预测方法，使用上述所述方法所构建的模型进行关联预测，模型的输入包括待预测关联关系的目标环状rna和目标疾病以及目标环状rna与疾病的已知关联和目标疾病与环状rna的已知关联，模型基于输入构建目标环状rna的元路径网络和相似性网络，以及目标疾病的元路径网络和相似性网络并进行特征提取，最后由多层感知机基于所提取的特征进行关联预测，输出预测结果。

51、本发明的优点在于：

52、1）本方案为模型设计了共享单元，通过构建环状rna和疾病的相似性网络及元路径网络，在相似性视图和元路径视图之间实现信息的交互和融合，通过在多视图特征融合过程中捕获潜在的跨视图信息，从而提升模型对环状rna-疾病关联预测的性能；

53、2）本方案在设计共享单元的同时采用多通道注意力机制，根据不同相似性网络中特征的重要性动态分配权重，从而有效融合多种相似性网络的特征，提高模型对复杂关联关系的建模能力；

54、3）此外本方案引入了对比学习策略，充分利用多视图间的互补信息，通过最大化正样本间的相似性和最小化负样本间的相似性，进一步优化特征表示，提升模型的预测准确性和泛化能力；

55、4）本方案解决了模型未能充分利用不同视图间的潜在信息的问题，提出结合多视图交互与多通道注意力机制的优化算法，与现有方法相比，msmcda在环状rna-疾病关联预测的准确性和泛化能力方面表现出了显著优势。