基于机器学习和卷积神经网络的疾病-lncRNA关联预测

发布时间：2024-04-09 21:23

　　长链非编码RNA(Longnon-coding RNA,简记为lncRNA),几乎参与了生物体的全部生物学过程,且在生物体RNA中占很大比例。lncRNA对基因表达有很强的调控作用,与一些人类疾病密切相关。预测疾病和lncRNA的关联关系有助于弄清疾病的发生机制,同时带来一些疾病预防、治疗的新方法。在现有疾病和lncRNA关联预测的研究中,人们使用了基于机器学习和基于网络的方法。然而这些方法准确率不怎么高;而且是提取疾病与lncRNA的浅层特征,难以学习到深层表示特征。本文提出了两种疾病-lncRNA的关联预测方法,分别是基于机器学习的关联预测方法和基于有卷积神经网络的关联预测方法。第一个方法是基于机器学习的疾病-lncRNA关联预测方法。该方法首先通过疾病MeSH描述、已知的疾病-lncRNA交互作用来构建疾病的特征,基于相关lncRNA具有相似关联的疾病的假设来构建lncRNA的特征,从而构建出了疾病-lncRNA对的特征;然后使用自动编码器来对疾病-lncRNA对的特征进行降维;最后通过旋转森林来对疾病-lncRNA进行关联预测。多个评估标准和案例分析表明该方法有很好的效果。第二...

【文章页数】：56 页

【学位级别】：硕士

【部分图文】：

图２．３线性可分情况下的二维分类??（２）线性不可分ＳＶＭ??

Ｚ）?＝?０，使得ＨＩ和Ｈ２之间的距离最大。??实际上，Ｈ１和Ｈ２之间的距离是；优化问题见公式２．５。??ｌｋｌ｜??｜?饥ｄｌｋ｜｜２?（公式?２．５）??Ｕ．?乃（Ｗ?？?＋?／））?２?１，?Ｚ?＝?１，２，…，ｎ??求得公式２．５的最优解ｗ＇?后，可得分类决策函数／（ｘ）....

图２．４卷积神经网络结构图??卷积神经网络对于图像的训练过程主要有以下几个步骤：??

硕士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??求得公式２．７的最优解ａ＊?＝?？，〇：〗，后，可得分类决策函数／〇：）?＝??ｓｉｇｎ（Ｚｉ＝１?ａｔｙｉＫ＾ｘ，?＋?ｂ＊）〇??２．２卷积神经网络??卷积神经网络在目标检测、语音识别、场景识别等领域中表现突出，这些归功??于....

图２．５归一化方法（来源于：ＧｒｏｕｐＮｏｒｍ原论文??

硕士学位论文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??为每次输入图像或特征图的个数，Ｃ为通道，Ｈ为高度，Ｗ为宽度。顾名思义，??ＢａｔｃｈＮｏｒｍ是在ｂａｔｃｈ上对ＮＨＷ做归一化，ＬａｙｅｒＮｏｒｍ是在通道上对ＣＨＷ归一??化，ＩｎｓｔａｎｃｅＮｏｒｍ是在像素上对ＨＷ做归一化，Ｇｒｏ....

图３．２?ＩｎｃＲＮＡ相似度计算??于是ｍｉＲＮＡ?ｍｊｆｌｍｉＲＮＡ?ｍ；．的相似性可以计算如公式３．１６：??

疾病?疾病，＿Ａ?■?ＩｎｃＲｆＪＡｆ?ｍｉＲＮＡ＾??＾赢“’?國國?國?？?？??ａ?Ａ＇?ａ?Ａ、ｉ?．?ａ?＿?＿?■豳?ｅ?國??、＼、赢?Ｊ、、、赢?ｙ、＼?Ａ?＼?Ｈ?ｙ?、、ＨＩ?，，、、＿ｌ??疾病相似度与ｍｉＲＮＡｍ，．有关的疾病组合?ｍｉＲＮＡ相似度?与丨ｎ....

本文编号：3949659