基于图卷积网络的miRNA与疾病关联预测研究
这是一篇关于miRNA,疾病,图卷积网络,关联预测,多类别预测的论文, 主要内容为mi RNA通过负调控基因表达影响疾病,因此mi RNA与疾病间存在潜在关联。计算模型是预测mi RNA与疾病关联的重要途径,可降低mi RNA与疾病关联分析成本。现有方法只关注于预测二元关联且难以捕获高阶拓扑特征,如何提高预测效果,并进一步对关联类型进行预测,对后续mi RNA与疾病预测研究至关重要。论文以mi RNA与疾病关联为研究对象,从相似度网络重构、mi RNA与疾病关联预测、mi RNA与疾病关联类型预测三方面开展模型研究,并设计实现mi RNA与疾病关联预测平台,论文主要工作如下:1、针对mi RNA与疾病关联预测过程中相似度网络稀疏且存在噪声的问题,提出基于对称三因子非负矩阵分解的相似度网络重构模型,对相似度矩阵进行三因子非负矩阵分解,添加对称和正则约束,使用加性梯度下降法求解。仿真结果显示,本模型在mi RNA相似度数据集上具有0.0016的正常平均绝对误差和0.1425的均方根误差,在疾病相似度数据集上具有0.0052的正常平均绝对误差和0.1160的均方根误差,基于重构相似度网络的用于mi RNA疾病关联预测的组内与组间得分模型的受试者工作曲线下面积为0.8362。2、针对mi RNA与疾病关联网络高阶拓扑特征难以捕获的问题,提出基于二维超图卷积网络的mi RNA与疾病关联预测模型,基于相似度矩阵和已知mi RNA与疾病关联网络构建超图,将图卷积神经网络迁移至超图,通过联合因子求解实现mi RNA与疾病关联预测。仿真结果表明,本模型在全局留一法交叉验证和五折交叉验证的受试者工作曲线下面积分别达0.9256和0.9211。3、针对mi RNA与疾病关联类型网络拓扑特征难以获取,相似度信息利用不充分的问题,提出基于分解异构图神经网络的mi RNA与疾病关联类型预测模型,基于相似度矩阵和已知mi RNA与疾病关联类型网络构建异构图,引入相似度边权、自适应结合函数和类型特征进行消息聚合和节点更新,通过Dis Mult进行链路预测。仿真结果表明,在四类数据集上top1 F1分别为0.6684、0.6619、0.6618、0.6536,受试者工作曲线下面积分别为0.9202、0.8735、0.9090、0.9116。4、采用浏览器/服务器架构,基于Vue前端、Spring Boot框架和My SQL数据库,设计并实现mi RNA与疾病关联预测平台,满足mi RNA与疾病关联预测应用场景。平台包括用户管理、数据分析和关联预测等功能。
基于图神经网络的piRNA-疾病关联预测
这是一篇关于piRNA,疾病,关联预测,图神经网络的论文, 主要内容为piRNA在许多重要人类疾病的进程中扮演着关键角色,如癌症、帕金森病、阿尔兹海默症等。探索piRNA-疾病的关联不仅有助于揭示疾病的分子机制,而且对促进人类疾病的诊断、预防和治疗至关重要。目前通过生物实验发现未知piRNA-疾病关联的方法面临着成本高和周期长的问题。通过计算方法可以迅速而低开销地预测piRNA-疾病关联,准确的预测结果可以为生物实验提供高质量候选样本,从而减少实验开销和时间消耗。piRNA-疾病关联预测是一个链路预测任务。现有的piRNA-疾病预测模型中主要存在的问题是:难以捕捉复杂图数据的隐藏结构信息以及节点特征提取过程中没有很好地区分piRNA和疾病这两种不同生物实体。针对这些问题,本文首先利用多源生物信息及已知piRNA-疾病关联信息构建了piRNA-疾病异构图,然后基于GCN提出了一个包含三种特征学习模块的两层结构模型。GCN能够有效地捕捉异构图中的复杂结构信息,本文设计的模型很好地利用了这一点,并通过各模块的顺序结合有区分地提取piRNA和疾病的特征。消融实验证明了本文的模型设计策略是有效的。在对比实验中,本文提出的模型取得了0.8611的AUC和0.8542的AUPR,相比于两种现有的基于网络的方法实现了性能提升,并在针对肾细胞癌、阿尔兹海默症和帕金森病的具体案例研究中取得了93.3%的准确率,这些实验结果说明本文提出的模型具有优秀的性能和高实用价值。基于提出的预测模型,本文还设计并实现了一个piRNA-疾病关联预测系统,该系统基于浏览器-服务器架构部署,采用Django框架和My SQL数据库,实现了用户管理、数据管理和自动化piRNA-疾病关联预测等功能,并通过测试实验验证了系统功能的可靠性以及系统性能能够满足用户需求,为相关研究者使用本文提出的模型提供了一个便捷的平台。
基于深度矩阵分解的LncRNA—疾病关联预测研究
这是一篇关于lncRNA,疾病,关联,潜在特征,矩阵分解,因子分解机,注意力机制的论文, 主要内容为长链非编码RNA(long non-coding RNA,lncRNAs)是人体中非常重要的一类非编码RNA,它的长度超过200个核苷酸,在非编码RNA中占有极大的比例。近年来,越来越多的研究表明lncRNA参与众多的生物调控过程,基因调控的各个环节发挥了至关重要的作用。例如细胞的分裂分化、疾病的病理特征、免疫反应、细胞的代谢等等,与很多疾病的发生密切相关。目前lncRNA已经成为一些疾病诊断与治疗的新的候选分子和靶标。探索lncRNA-疾病的关联,对于我们从分子层面上剖析疾病复杂的病理机制有着显著的作用,同时对疾病的前期诊断,中期治疗,后期护理和相关药物的研发都有着非常重要的指导意义。然而,通过常规的生物医学实验来探索lncRNA-疾病的关系耗时费力,代价很高。传统生物医学实验预测lncRNA与疾病关联耗时费力。面对众多未知功能和疾病关联的lncRNA,发展基于计算的方法快速有效地预测lncRNA与疾病的关联是非常有意义的。目前已有的方法主要包括矩阵分解以及网络表示学习,它们都面临着数据稀疏这一主要挑战。此外,目前已有的很多方法只考虑lncRNA和疾病浅层的特征之间的关联信息,而忽略了深层次潜在特征之间可能存在的联系。本文提出一种基于深度矩阵分解的lncRNA与疾病关联预测模型(DMFLD),该模型通过多头注意力机制、距离层网络、角度层网络以及深度神经网络形成了一个多维度知识汇集的融合模型,从而实现从多个维度来探索lncRNA与疾病之间隐含的潜在特征的高度非线性表示,进一步提高预测精度。主要工作包括以下几方面:1)为了解决高维关联矩阵数据的稀疏性问题,引入了词向量对lncRNA与疾病的关联矩阵分解,得到lncRNA与疾病的潜在因子(特征)。2)提出基于多头注意力机制自动构建潜在特征的因子分解机,该因子分解机能够自动构建关联度较高的潜在特征组合,从而充分捕捉lncRNA与疾病潜在高阶特征之间的内在联系。3)为了从空间的维度上来描述lncRNA与疾病的关联关系,构建了距离层和角度层网络。4)引入深度神经网络来学习lncRNA与疾病潜在特征的非线性表示,提高预测lncRNA与疾病关联的准确度。我们的方法无需大量有关相似度的额外计算,同时也使用小批次随机梯度下降的方式来解决时间复杂度过高的问题,提高训练速度。并且引入了正则化约束来解决过拟合问题。最后串联以上的深度神经网络、多头注意力网络、距离层网络和角度层网络通过多层感知机来得到预测结果。5)使用lncRNA-disease V2.0大规模数据集,大数据集可以发掘更有价值的结果,并且采用五个推荐系统中常用的指标:命中率(HR)、归一化折损累计增益(NDCG)、平均排名的倒数(MRR)、均方根误差(RMSE)以及平均绝对误差(MAE)。首先为了验证不同的矩阵分解模型对实验的影响,设计了全面的实验来比较不同的矩阵分解模型(Funk SVD、SVD++、NMF)对于实验结果的影响,以及对矩阵分解中的重要参数进行了系统的调参实验。然后,将我们提出的基于深度矩阵分解的计算方法与当前比较先进的方法以及传统的机器学习模型和深度学习框架进行比较。实验结果表明,深度矩阵分解的各项指标均优于其他方法。此外,研究案例表明我们提出的DMFLD能够较高精度地预测与三种疾病(肺癌,宫颈癌和结直肠癌)有关系的lncRNA。6)为了最大的方便相关研究人员的使用,我们开发了基于深度矩阵分解的lncRNA与疾病关联预测的web服务器(http://lddmf.natapp1.cc/)。
基于多任务和生物网络表示的微生物与疾病关联预测
这是一篇关于疾病,微生物,多任务学习,知识图谱,生物网络表示的论文, 主要内容为疾病一直以来都在威胁着人类的健康,研究表明微生物与疾病存在关联关系,这给理解疾病的复杂发病机理带来了新的研究视角。传统的生物实验方法发现疾病与微生物的关联存在周期长、成本高的困境。目前,已有许多研究使用机器学习算法来帮助生物实验揭示微生物与疾病的关联,但是这些算法的效果仍有待进一步提升。本文主要研究针对微生物与疾病关联预测问题的机器学习算法,研究内容概括如下:首先,本文提出一个基于多任务的神经网络模型(MTNN)预测肠道微生物与癌症免疫疗法疗效的关系。该模型学习与非小细胞肺癌和肾细胞癌的免疫疗法疗效有关联的肠道微生物丰度数据的特征,从而预测这两种癌症的免疫疗法疗效,实验结果表明MTNN模型具有较好的预测效果。其次,延伸到微生物影响疾病的预测任务,本文提出基于图卷积网络的微生物与疾病关联预测模型(GCNSMDA)来预测微生物与疾病的潜在关联。构建了一个包含微生物与疾病的异构网络,然后用图卷积网络学习异构网络中微生物和疾病的特征表示,再引入评分函数计算微生物与疾病的关联得分,从而预测微生物与疾病的潜在关联,实验结果表明GCNSMDA模型可以有效地揭示微生物与疾病的潜在关联。最后,为了改进GCNSMDA模型的预测效果,本文提出基于知识图谱的微生物与疾病关联预测模型(KGNMDA)。构建了一个以微生物和疾病为核心的知识图谱,并用图神经网络从构建的知识图谱中学习微生物和疾病的特征信息,再结合微生物与疾病的高斯相似性特征计算微生物与疾病的关联分数,从而揭示微生物与疾病的潜在关联。实验结果表明KGNMDA模型能更加有效地揭示微生物与疾病的潜在关联。本文提出了不同的模型来解决微生物与疾病关联预测问题,希望能辅助微生物与疾病相关的生物医学研究。
基于图卷积网络的miRNA与疾病关联预测研究
这是一篇关于miRNA,疾病,图卷积网络,关联预测,多类别预测的论文, 主要内容为mi RNA通过负调控基因表达影响疾病,因此mi RNA与疾病间存在潜在关联。计算模型是预测mi RNA与疾病关联的重要途径,可降低mi RNA与疾病关联分析成本。现有方法只关注于预测二元关联且难以捕获高阶拓扑特征,如何提高预测效果,并进一步对关联类型进行预测,对后续mi RNA与疾病预测研究至关重要。论文以mi RNA与疾病关联为研究对象,从相似度网络重构、mi RNA与疾病关联预测、mi RNA与疾病关联类型预测三方面开展模型研究,并设计实现mi RNA与疾病关联预测平台,论文主要工作如下:1、针对mi RNA与疾病关联预测过程中相似度网络稀疏且存在噪声的问题,提出基于对称三因子非负矩阵分解的相似度网络重构模型,对相似度矩阵进行三因子非负矩阵分解,添加对称和正则约束,使用加性梯度下降法求解。仿真结果显示,本模型在mi RNA相似度数据集上具有0.0016的正常平均绝对误差和0.1425的均方根误差,在疾病相似度数据集上具有0.0052的正常平均绝对误差和0.1160的均方根误差,基于重构相似度网络的用于mi RNA疾病关联预测的组内与组间得分模型的受试者工作曲线下面积为0.8362。2、针对mi RNA与疾病关联网络高阶拓扑特征难以捕获的问题,提出基于二维超图卷积网络的mi RNA与疾病关联预测模型,基于相似度矩阵和已知mi RNA与疾病关联网络构建超图,将图卷积神经网络迁移至超图,通过联合因子求解实现mi RNA与疾病关联预测。仿真结果表明,本模型在全局留一法交叉验证和五折交叉验证的受试者工作曲线下面积分别达0.9256和0.9211。3、针对mi RNA与疾病关联类型网络拓扑特征难以获取,相似度信息利用不充分的问题,提出基于分解异构图神经网络的mi RNA与疾病关联类型预测模型,基于相似度矩阵和已知mi RNA与疾病关联类型网络构建异构图,引入相似度边权、自适应结合函数和类型特征进行消息聚合和节点更新,通过Dis Mult进行链路预测。仿真结果表明,在四类数据集上top1 F1分别为0.6684、0.6619、0.6618、0.6536,受试者工作曲线下面积分别为0.9202、0.8735、0.9090、0.9116。4、采用浏览器/服务器架构,基于Vue前端、Spring Boot框架和My SQL数据库,设计并实现mi RNA与疾病关联预测平台,满足mi RNA与疾病关联预测应用场景。平台包括用户管理、数据分析和关联预测等功能。
社区居民医疗卫生“健康一卡通”系统的设计与实现
这是一篇关于JavaEE,Strust2,Hibernate,疾病,健康的论文, 主要内容为针对目前医疗资源有限,人们看病时需要排队等待的问题,本文设计一种能够支持预约的社区居民健康一卡通系统。该系统采用B/S架构,方便了居民的就医过程,并且能够使居民对自身的健康状况和医疗常识有所了解。文章的主要工作和创新在于： (1)将系统中用户划分成4种不同的角色：社区居民,医院管理员、医生、系统管理员。分析了每种角色在系统中的任务和功能,以及不同角色之间的联系和相互作用。 (2)实现了完整的预约流程,社区居可以提前通过本系统,运用多种方式,选择合适的就医时间与地点,既为居民的就医提供了方便,同时也可以合理安排医疗资源。 (3)实现了完整的看病流程和住院流程,通过系统可以保存看病、取药和住院的历史记录,方便居民日后查询自己的病史。 (4)为病人建立个人病情档案,使病人和医生都可以充分了解慢性病的发展趋势,便于控制病情,有利于居民身体健康。同时社区居民还可以通过并系统查询到一些健康常识,并运用到的日常生活中。 本文最终编写的程序,通过测试,并且能够成功部署在服务器上运行。该系统实现了社区居民一卡通的基本功能,可以满足居民就医的基本需求。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码助手 ，原文地址：https://m.bishedaima.com/lunwen/51148.html
