申请/专利权人：中国人民解放军总医院

申请日：2019-10-09

公开（公告）日：2022-11-29

公开（公告）号：CN110556184B

主分类号：G16H50/50

分类号：G16H50/50;G16B20/00

优先权：

专利状态码：有效-授权

法律状态：2022.11.29#授权;2020.01.03#实质审查的生效;2019.12.10#公开

摘要：本发明公开了一种基于Hessian正则非负矩阵分解的非编码RNA与疾病关系预测方法，属于系统生物学领域，主要包括三个步骤：步骤一，分别计算非编码RNA的高斯谱核相似性和疾病的高斯谱核相似性；步骤二，使用迭代求解算法计算非编码RNA‑疾病关联对预测得分；步骤三，根据算出的非编码RNA‑疾病关联对得分进行排序，给出最终预测结果。本发明通过Hessian正则化细致刻画数据内在流形结构，有效利用了阴性样本的信息；l2,1范数约束和近似正交约束保证了编码矩阵的群稀疏性，能减弱噪声数据的影响。本方法能获得比较可靠的预测结果，有效地解决了生物实验方法耗时长、成本高的问题。

主权项：1.基于Hessian正则非负矩阵分解的非编码RNA与疾病关系预测方法，具体包括如下步骤：步骤一，输入已知的疾病和非编码RNA关联对并构建邻接矩阵，分别计算疾病间的高斯相互作用谱核相似性和非编码RNA间的高斯相互作用谱核相似性：若某一个疾病di与非编码RNA之间存在关联，则对应位置记为1否则记为0，形成一个1×nm大小的0或1构成的行向量，记之为疾病di的交互谱IPdi；然后，计算疾病di和dj之间的高斯相互作用谱核相似性：KDdi,dj＝exp-γd||IPdi-IPdj||2上式中，参数γd用于控制核带宽，通过归一化新带宽参数γ‘d获得： 以类似的方式定义非编码RNAmi和mj之间的高斯相互作用谱核相似性：KMmi,mj＝exp-γm||IPmi-IPmj||2 其中nd表示疾病的数量，nm表示非编码RNA的数量，取γ′d＝γ′m＝1；步骤二，计算Hessian正则化：通过既有的Hessian矩阵计算方法，输入疾病间的高斯相互作用谱核相似性矩阵KD，输出矩阵Bd，输入非编码RNA间的高斯相互作用谱核相似性矩阵KM，输出矩阵Bm，其中参数设置为邻近元素的个数K＝25，PCA分解后的左奇异矩阵取其前d列中的d＝6；步骤三，构建目标函数：目标函数是非负矩阵分解框架整合了Hessian正则化、行稀疏正则化和判别约束项，具体为： 式中，1是非负矩阵分解项，刻画了重构误差的大小，其中X是疾病和非编码RNA构成的邻接矩阵，U和V是待求的基矩阵及系数矩阵；2trVBmVT和trUBdUT是Hessian正则化项，可捕获数据内在流形结构信息；3为矩阵V的l2,1范数，vj.代表矩阵V的第j行，行稀疏正则化目的是将V中的一些行向量收缩为零，保留重要功能并删除不相关的功能；4判别约束项中Ik是k×k的单位矩阵，目的是让V近似正交进而获得判别信息；其中‖‖F指矩阵的F范数，tr表示矩阵的迹，λ，μ和γ是非负的正则化参数，可通过网格搜索进行优化选取，参数组合是λ1＝λ2＝0.7，μ＝0.5，γ1＝γ2＝0.3；步骤四，使用迭代算法计算矩阵U和V；步骤五，得到矩阵U、V后，计算评分矩阵Fscore＝UV，然后进行排序得到最终预测结果。

全文数据：

权利要求：

百度查询： 中国人民解放军总医院 基于Hessian正则非负矩阵分解的非编码RNA与疾病关系预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD