申请/专利权人:天津大学
申请日:2021-11-19
公开(公告)日:2023-04-07
公开(公告)号:CN114141306B
主分类号:G16B20/00
分类号:G16B20/00;G06Q10/04;G06N3/0464;G06N3/06;G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2023.04.07#授权;2022.03.22#实质审查的生效;2022.03.04#公开
摘要:本发明公开了一种基于基因相互作用模式优化图表示的远处转移识别方法,包括数据预处理;构建并处理蛋白质相互作用网络PPI;训练测试集划分;构建基于基因相互作用模式优化图表示的glmGCN模型;使用十折交叉验证网络模型;将模型应用于测试集测试。与现有技术相比,本发明在GCN框架下对肿瘤转移进行预测,在图学习层更加关注领域给定初始图的基因‑基因关系,因此获得更准确的预测性能。
主权项:1.一种基于基因相互作用模式优化图表示的远处转移识别方法,其特征在于,该方法包括以下步骤:步骤1、数据预处理,包括进行数据集准备,其中数据集包括基因表达数据及临床信息,对基因表达数据进行差异基因筛选,得到差异基因集DEG,采用SMOTE处理模型对筛选得到的基因表达数据合成的少数类样本进行过采样;步骤2、构建并处理蛋白质相互作用网络PPI,从图形关系获得邻接矩阵:步骤3,使用StratifiedKFold方法进行十折划分训练集、测试集,其中一折作为测试集、九折作为训练集;步骤4,构建基于基因相互作用模式优化图表示的glmGCN模型,具体包括以下过程:步骤4-1、构建嵌入图学习网络层,使用单层网络在初始图的基础上获得新的图表示: 其中,a=a1,a2,...,anT为权向量,σ·为激活函数,A表示邻接矩阵,gi、gi分别表示第i个、第j个基因的基因表达,表示幂次,p表示总的基因个数;步骤4-2、构建图卷积网络层,基于图学习层返回的自适应邻域图S和每个样本的基因表达数据执行分层传播规则,得到图卷积网络层的输出表示如下:Oik+1=σS·Oik·Wk,fori=1,2,...,n其中,k=0,1,...,K-1,Oik+1表示第k+1层的输出,Oi0表示第i个基因的基因表达,σ·表示激活函数,Wk表示每个图卷积层的可训练权值矩阵;步骤4-3、构建全连接网络层,进行特征信息的综合提取,包括设置多个全连接网络层,经过多个全连接网络层的处理得到最终的预测结果;经过多个全连接层的处理得到最终的步骤5、训练基于基因相互作用模式优化图表示的glmGCN模型,以ACC、SPE、SEN、AUC、ROC曲线作为评价指标评估训练的模型;使用训练好的网络权重参数以及网络模型对测试集进行测试,对得到的十折预测结果取平均值并重复三次实验得到最后的测试集预测结果。
全文数据:
权利要求:
百度查询: 天津大学 基于基因相互作用模式优化图表示的远处转移识别方法
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。