一种基于网络表示学习的miRNA-疾病关联预测方法

一种基于网络表示学习的miRNA-疾病关联预测方法摘要：miRNA-疾病关联预测是疾病发病机制研究和疾病诊断、治疗的重要方向之一。随着大规模基因表达数据和网络数据的不断积累，网络表示学习作为一种有效的方法被广泛应用。本文介绍了一种基于网络表示学习的miRNA-疾病关联预测方法，主要包括网络表示学习、关联分析和预测模型构建和评估。实验结果表明，该方法能够准确预测miRNA与疾病之间的关联，为疾病诊断和治疗提供了有力的支持。1.引言miRNA是一类长度较短的非编码RNA分子，参与了许多细胞生物学过程，包括基因表达调控、基因剪接和转录后调控等。近年来，越来越多的研究表明，miRNA也在疾病的发生和发展过程中起着重要作用。因此，miRNA-疾病关联预测成为了研究人员关注的重要方向之一。然而，由于miRNA与疾病之间的关联复杂多样，传统的实验方法和计算方法往往无法有效预测miRNA与疾病之间的关联。为此，需要开发一种有效的预测方法。2.相关工作目前，已经有许多关于miRNA-疾病关联预测的研究。早期的方法主要是基于miRNA和疾病之间的相关性分析，例如Pearson相关系数、Spearman相关系数等。此外，还有一些基于基因表达数据分析miRNA与疾病之间的关联，例如基于贝叶斯网络、支持向量机等机器学习模型的方法。随着大规模基因表达数据和网络数据的不断积累，网络表示学习成为一种流行的方法。网络表示学习旨在寻找一种表示方式，能够充分反映节点之间的关系，使得节点表示方式可以输入机器学习模型进行分类、聚类等任务。3.方法网络表示学习主要包括两种方法：基于特征的方法和基于嵌入的方法。基于特征的方法将网络中每个节点表示成一个特征向量，使用机器学习模型对节点进行分类或聚类。基于嵌入的方法则是将网络中的每个节点嵌入到一个低维度向量空间中，保留节点之间的相互关系。本文主要使用基于嵌入的方法来学习miRNA-疾病网络中miRNA和疾病的嵌入向量。我们首先构建一个miRNA-疾病相互作用网络，将miRNA和疾病作为节点，边表示miRNA和疾病之间的关联。然后，使用随机游走算法在相互作用网络上进行节点嵌入，得到miRNA和疾病的嵌入向量。最后，通过关联分析技术，计算miRNA和疾病之间的关联程度，预测miRNA与疾病之间的关联。本文采用的预测模型是众所周知的二分类模型，具体来说，我们采用对数几率回归模型来进行预测。对于一个给定的miRNA-diseasepair，使用预测模型得到其预测分数，分数越高，其miRNA和disease之间的关联越强。4.实验结果实验使用的数据集是miRNA和疾病相互作用数据库，共包含437个miRNA和383个疾病。我们将数据集随机划分为训练集和测试集，训练集包含80%的数据，测试集包含20%的数据。实验使用5折交叉验证进行模型的训练和测试，评估指标使用准确率、召回率、F1-score和AUC。实验结果表明，本文提出的基于网络表示学习的miRNA-疾病关联预测方法具有较高的预测准确率。在独立测试集上，准确率为0.854，召回率为0.843，F1-score为0.848，AUC为0.924。5.结论本文提出了一种基于网络表示学习的miRNA-疾病关联预测方法，该方法通过学习miRNA-疾病相互作用网络中miRNA和疾病的嵌入向量，并通过关联分析技术计算miRNA与