-
公开(公告)号：CN116312805A
公开(公告)日：2023-06-23
申请号：CN202310109046.6
申请日：2023-02-14
Applicant: 广东工业大学
Abstract: 本发明提供一种结合选择性相似性矩阵融合和双向线性邻域标签传播的lncRNA‑疾病关联性预测方法，包括以下步骤：S1：获取lncRNA表达相似矩阵SL和疾病语义相似矩阵SD；S2：获取lncRNA‑疾病关联矩阵LD，并利用LD计算出lncRNA线性邻域相似性矩阵LNL和疾病线性邻域相似性矩阵LND；S3：构建一个非线性迭代的选择性相似性融合方法，将S2步骤所述两种lncRNA相似性和两种疾病相似性分别融合生成lncRNA相似性网络KL和疾病相似性网络KD；S4：最后采用双向线性邻域标签传播方法得到最终预测结果。本发明通过构建相似性融合方法来挖掘更深的邻域相似性信息生成高质量且低噪声相似性网络，结合双向线性邻域标签传播能有效地利用好所构建的相似性网络，从而实现精准预测lncRNA‑疾病的关联。
-
公开(公告)号：CN117219173A
公开(公告)日：2023-12-12
申请号：CN202311156934.X
申请日：2023-09-07
Applicant: 广东工业大学
Abstract: 本发明提供一种多阶相似性融合学习的微生物‑疾病关联性预测方法，包括以下步骤：S1：获取微生物功能相似性矩阵PM,1和疾病功能相似性矩阵PD,1；S2：获取微生物‑疾病关联矩阵Y，并利用Y计算出微生物线性邻域相似性矩阵PM,2和余弦相似性矩阵PM,3，同时计算出疾病线性邻域相似性矩阵PD,2和余弦相似性矩阵PD,3；S3：构建一个多阶相似性融合学习方法；S4：最后采用标签传播方法得到最终预测结果。本发明通过构建多阶相似性融合学习方法来对多种相似性进行融合，结合标签传播能有效地利用好所构建的相似性网络，从而实现精准预测微生物‑疾病的关联。
-
公开(公告)号：CN116189779A
公开(公告)日：2023-05-30
申请号：CN202310121308.0
申请日：2023-02-14
Applicant: 广东工业大学
Abstract: 本发明提供基于加权核规范正则化算法的lncRNA‑疾病关联预测方法，包括以下步骤：S1：获取lncRNA‑疾病邻接矩阵LD；S2：计算lncRNA表达相似性LSexp、lncRNA功能相似性LSfun、lncRNA高斯相似性LSgau、lncRNA线性邻域相似性LSlin、疾病语义相似性DSsem、疾病高斯相似性DSgau、疾病线性邻域相似性DSlin；S3：采用k‑近邻中心核对齐算法将lncRNA和疾病的相似性分别整合到同一空间；S4：利用lncRNA‑疾病关联矩阵、lncRNA和疾病的最优相似性核矩阵构建一个异构矩阵作为矩阵补全的目标矩阵；S5：将异构矩阵输入加权核规范正则化模型中进行补全，最终得到预测的lncRNA‑疾病的关联。本发明利用k‑近邻中心核对齐算法对相似性信息进行整合用于辅助预测，构建加权核规范正则化模型对异构矩阵进行补全，实现更加准确的lncRNA‑疾病的关联预测。
-
公开(公告)号：CN116230089A
公开(公告)日：2023-06-06
申请号：CN202310109047.0
申请日：2023-02-14
Applicant: 广东工业大学
Abstract: 本发明提供一种用于推断lncRNA‑疾病关联的受校正相似性约束的概率矩阵分解方法，包括以下步骤：S1：获取lncRNA‑疾病邻接矩阵Y，所述lncRNA‑疾病邻接矩阵用于描述lncRNA‑疾病关联关系；S2：计算lncRNA表达相似矩阵ES和疾病语义相似矩阵DS；S3：利用Logistic函数对ES和DS进行相似性校正得到lncRNA校正相似性矩阵LE和疾病校正相似性矩阵LD，以突出相似性范围[0,1]内的强关联性，淡化弱关联性；S4：采用校正相似性矩阵LE和LD作为约束进行概率矩阵分解，在所述lncRNA‑疾病关联矩阵中预测lncRNA‑疾病的关联。本发明引入Logistic函数来重构lncRNA和疾病的相似度矩阵，建立一个更好的度量方式来精确描述lncRNA与疾病之间的相似关系。然后基于相似的lncRNA通常与对应的疾病存在相互关联的假设，在原有概率矩阵分解算法的基础上引入了更多的生物信息(即lncRNA和疾病的相似性)加以约束，实现了精确的lncRNA‑疾病的关联预测。
-
-
-
Search Results
4
records
(took 0.018 seconds)
