检索结果-南通市图书馆

作者：周晓晨黑龙江大学

学位级别：硕士

医学图像分割技术是一项运用在医学临床和研究的技术。它通过对图像的某一个特定区域进行标注勾画,旨在让医生更高效地得到定量测量和分析医学影像的结果,这对于提高医学诊断和治疗的准确性和效率具有重要意义。肾癌是全球范围内最常见... 详细信息

医学图像分割技术是一项运用在医学临床和研究的技术。它通过对图像的某一个特定区域进行标注勾画,旨在让医生更高效地得到定量测量和分析医学影像的结果,这对于提高医学诊断和治疗的准确性和效率具有重要意义。肾癌是全球范围内最常见且致命的恶性肿瘤。当前,电子计算机断层(Computed Tomography,CT)扫描是影像学检查方法中使用频率高的方法,被广泛用于肾癌前期诊断,所以从CT中精准地分割出肾脏和肿瘤对于诊断肾癌至关重要。由于肾脏和肿瘤存在尺寸和部位各不相同,与周围组织的边界纹理特征类似的特性并且肾肿瘤的诊断和治疗依赖于临床医生对肾肿瘤CT图像的人工分割。这种分割需要临床医生具有多年丰富经验并且手工标注低效耗时。因此,基于3D CT图像考虑切片间的特征,采用肾肿瘤的自动分割算法从大量的肾脏CT图像中自动准确分割出肾肿瘤对医生进行诊断和治疗是非常有研究价值的。因此,将基于深度学习技术的图像自动分割算法应用于肾脏CT图像分割,可以自动高效划分肾肿瘤区域,缓解人工分割的问题。本文基于图推断和点云的方法展开对肾肿瘤CT图像分割研究任务,完成的主要工作如下。本文提出的第一个模型是基于图推断的方法。由于先前的图像分割方法大多侧重于提取图像局部区域信息而忽略了图像的全局信息以及特定拓扑。因此,为了捕获图像全局上下文信息和拓扑结构,我们提出了基于图卷积自动编码器的肾肿瘤图像分割模型(Graph Auto Encoders Segmentation,GAES)不受限于节点间的位置关系,通过整合所有节点属性之间的关联从而捕捉全局特征。我们提出的方法通过对图像节点属性和拓扑结构进行编码,构建具有3D CT图像结构特征的二维图结构来学习图像的节点全局上下文信息和拓扑结构。编码层和解码层之间的残差连接可以为学习到的局部拓扑自适应补充编码和解码信息,深度集成图像中的不同拓扑和属性信息,具有建模长距离空间关系的能力。我们进行相应的实验以及案例分析,证明了我们提出的模型GAES性能。本文提出的第二个模式也是基于图推断的方法,基于变分自适应图卷积自动编码器肾肿瘤分割模型(Variational Adaptive Graph convolutional Auto Encoders Segmentation,VAGS)。首先,本方法讨论了多数先前的图卷积方法是基于标准卷积提出的,标准卷积无法很好区分3D节点之间的特征对应关系,只是简单地为相邻节点分配不同的权重,没有很好实现节点特征学习的优势。因此,该方法在图卷积自动编码器的基础上加入了自适应卷积核,用于学习图像目标节点特有的邻居节点特征。然后,我们建立了基于变分图自动编码器的策略,用来编码图像区域节点使得更符合图像节点的特征分布。最后,邻居节点信息和特征分布被自适应地整合,并且经过主干网络解码器来取得分割的结果。本文的第三个方法提出了基于PointNeXt的肾肿瘤图像分割模型(PointNeXt Segmentation,PNXS)。该模型通过从多维度和多个图像区域学习和处理图像全局上下文关系和节点特征表示,通过反向残差多层感知器加强节点特征提取。利用解码器部分图像特征与编码器特征融合获得不同层次的特征表示。与nn-Unet自动编码器的编码器部分残差结合图像节点特征,最终实现图像分割。本文通过采用Dice系数、IoU系数和HD距离三个评估指标来进行评估对分割模型的实验结果。大量实验证明我们提出的三个模型的性能和泛化能力。

关键词：肾脏肿瘤分割图卷积自动编码器自适应图卷积变分图自动编码器反向残差MLP

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的药物副作用关联预测方法研究

基于深度学习的药物副作用关联预测方法研究

作者：李沛儒黑龙江大学

学位级别：硕士

副作用的不良反应可能有损患者的生命健康,是导致药物临床试验失败的主要原因之一。药物的副作用研究不仅是新药研发安全性评估的关键,而且可以辅助科学家进行生物学及药理学实验。识别与药物相关联的副作用可以减少药物开发的成本。最... 详细信息

副作用的不良反应可能有损患者的生命健康,是导致药物临床试验失败的主要原因之一。药物的副作用研究不仅是新药研发安全性评估的关键,而且可以辅助科学家进行生物学及药理学实验。识别与药物相关联的副作用可以减少药物开发的成本。最新的计算方法侧重于利用药物和副作用的多源数据来预测药物的候选副作用。然而,很多方法不能有效整合各种各样的药物相似性,没有深入集成药物和副作用节点之间的拓扑结构。本文提出三个深度学习模型来预测药物和副作用之间存在的关联。基于药物和副作用节点对中蕴藏的丰富的关联与连接,构建了两个药物-副作用异构图来表示药物和副作用之间的相似性和关联。MVF是一个基于胶囊网络(CN)的预测模型,以学习一对药物-副作用节点的多视图特征。首先,我们构建了初级胶囊来捕获两者之间的诸多相似性和联系。然后建立了多个胶囊,可以更好地丰富节点对特征嵌入中每个位置的信息并通过路由机制来学习每个胶囊的重要性。最后通过计算预测胶囊的模长来评估关联性。多个评估指标下的结果证明了MVF的优异性能。基于药物-副作用异构图中节点之间的特定拓扑和上下文关系,我们提出了带有节点类型级别注意力和图级别注意力机制的异构图transformer预测模型CET。首先,我们构建了多个药物-副作用异构图。在每个异构图中,目标节点有药物和副作用两种类型的邻居节点。其次,我们提出了一种新的基于异构图transformer的上下文表示学习模块。该模块用于对异构图节点之间的特定拓扑和上下文关系进行编码。目标节点与其各种类型的邻居节点之间存在相似性和关联性联系,这些联系意味着语义的多样性。因此,我们提出了一种新的策略来测量相邻节点对目标节点的重要性,并结合目标节点与其多类型邻居之间的不同语义。此外,我们分别在邻居节点类型级别和图级别设计了注意力,整合邻居节点特征和多图特征。最后融合药物和副作用节点的上下文编码和成对属性表示进行预测。综合实验结果证明了TCSD具有更优越的性能。基于多重随机游走路径聚合的图神经网络的药物-副作用关联预测模型MRWPNA。药物-副作用异构图中的多种连接蕴含着丰富的语义信息更准确地进行预测。因此我们提出了MRWPNA来学习和整合多个随机行走形成路径所有节点的结构和语义信息。首先,利用广度优先搜索和深度优先搜索分别收集同质和异质信息。然后,构建路径级注意力融合不同路径的特定语义信息。策略级注意力被设计以获得增强后的语义表示。最后,将三个模型学习得到的药物-副作用节点的多角度成对属性表示、上下文编码以及融合语义表示进行最后的预测任务。消融研究、平均的AUC和AUPR值显示了GNTCSD能够预测出更为准确的关联关系。

关键词：药物-副作用关联预测多个双层异构图胶囊网络异构图transformer 注意力机制多重随机游走

基于多角度特征增强的肺肿瘤CT图像分割研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多角度特征增强的肺肿瘤CT图像分割研究

作者：褚秀强黑龙江大学

学位级别：硕士

肺癌是一种最常见的疾病,在全球范围内其死亡率也是处于前列。近期,随着人工智能技术的不断进步,人工智能中的深度学习逐渐于医学诊断相结合,成为了医学图像分析的一个重要的方法。目前,主流的辅助诊断肺癌的方法是通过分析计算机断层扫... 详细信息

肺癌是一种最常见的疾病,在全球范围内其死亡率也是处于前列。近期,随着人工智能技术的不断进步,人工智能中的深度学习逐渐于医学诊断相结合,成为了医学图像分析的一个重要的方法。目前,主流的辅助诊断肺癌的方法是通过分析计算机断层扫描(CT)实现的。但是,由于肺肿瘤其各异的特征,以及对于不同的患者肿瘤存在不同的特性,由此看来,通过医生来手动划分CT图像上的肺肿瘤是一项困难且具有挑战性的任务。因此,将深度学习中的自动分割算法应用在肺部CT图像上,自动高效的划分出肿瘤区域,这对医生的及时诊断具有重要的意义。本文提出了三个基于深度学习的肺肿瘤CT图像分割方法,完成的工作如下:第一,基于多尺度的局部和全局的肺肿瘤CT分割,SGASeg。本课题发现多尺度特征有利于整合从粗粒度到细粒度范围的上下文关系。同时我们在每个尺度上又分为局部和全局两个方向。我们分别将完整的尺度图像和其补丁作为局部和全局的特征输入。门控轴向注意力作为局部和全局的特征学习策略的基本组成块,具有建模长距离空间关系的能力。最后的嵌入不同分割主干和与其他方法比较的实验说明了SGASeg的泛化能力和提升的分割性能。第二,基于切片间特征关联学习和混合注意力的肿瘤CT分割,OHASeg。首先,精细特征学习模块通过卷积扩散和形态扩散相结合,扩大小体积对象的特征范围,扩大后,我们拥有了对小体积对象的更细致的特征表述,这有利于我们模型对小体积肿瘤的感知敏感度。切片间存在上下文关系,切片特征模块通过挤压和融合的方式可以捕捉切片间的空间连续性关系。其次,混合注意力模块主要包含了两个层面,分别是通道层面和空间层面,前者更关注通道间的相关性,后者关注的是各个图像区域之间的位置联系。我们在公共数据集上进行了消融实验和OHASeg与其他方法的分割性能比较实验,以验证我们方法每个模块的有效性和提升的分割性能。第三,基于多相似性视图增强和图像节点上下文编码的肺肿瘤CT分割,MNSeg。本课题首先,通过测量图像节点之间的相似性来形成多个视图,MNSeg具有基于GCN的多视图图像节点特征学习(MAL)模块,以集成从多个相似性视图中学习的各种节点特征。其次,通过基于transformer的上下文关系编码(CRE)策略来公式化图像节点之间的上下文关系,以在所有图像节点上传播这些关系。最后,我们设计了一个特征类别级注意力(ACA)来区分和融合从MAL、CRE和原始特征中学习到的不同信息。我们进行的实验结果说明了MNSeg中每个模块的有效性,MNSeg的通用性以及其提升的分割性能。

关键词：肺肿瘤图像分割多相似性视图多尺度特征学习门控轴向注意力精细特征学习混合注意力

面向多源数据融合的lncRNA与疾病关联预测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向多源数据融合的lncRNA与疾病关联预测方法研究

作者：白红磊黑龙江大学

学位级别：硕士

长非编码RNA(lncRNA)与多个恶性疾病的发展进程密切相关,预测疾病相关候选lncRNA有利于探索疾病发病机制,为研发新的疾病治疗方法提供有力支持。然而,通过传统的生物学实验方法鉴定lncRNA和疾病的潜在关联存在费时、昂贵且效率低下等诸... 详细信息

长非编码RNA(lncRNA)与多个恶性疾病的发展进程密切相关,预测疾病相关候选lncRNA有利于探索疾病发病机制,为研发新的疾病治疗方法提供有力支持。然而,通过传统的生物学实验方法鉴定lncRNA和疾病的潜在关联存在费时、昂贵且效率低下等诸多问题。使用计算机预测模型可以快速准确地筛选出与疾病相关的候选lncRNA,从而减少实验的时间和成本。该论文使用多源数据构建lncRNAdisease-mi RNA异构网络,整合了lncRNA和疾病的各种层次信息,例如lncRNA和疾病网络的局部拓扑、异构网络的邻居拓扑以及节点对属性。本文提出了三个深度学习模型来预测lncRNA和疾病之间可能存在的关联。Lnc RNA相似性网络包含所有的lncRNA节点以及lncRNA节点之间的相似性信息,所有的疾病节点以及疾病节点之间的相似性组成了疾病相似性网络。先前的方法大多侧重于lncRNA-疾病-mi RNA异构网络的图推理,而忽略了lncRNA网络(疾病网络)中包含的特定拓扑。因此,为了捕获lncRNA和疾病网络中特定的局部拓扑信息,我们构建了基于网络感知的图卷积自动编码器N-GCA,来对每个网络的局部拓扑进行编码。编码层和解码层增加的加权残差连接可以为学习到的局部拓扑自适应补充编码和解码信息。我们将组合后的lncRNA和疾病的局部拓扑输入到多层感知机中得到最终的关联得分。多个对比实验以及案例研究的结果证明了NGCA预测疾病的潜在lncRNA的能力。根据lncRNA和疾病的多源数据构建的lncRNA-disease-mi RNA异构网中包含着各种语义信息。异构网中的目标节点与其不同的邻居节点之间存在多种类型的连接。这些连接包括相似连接、关联连接和互作连接。先前的图推理方法大多聚焦于邻居节点的属性聚合而忽略了对各种连接关系的利用。为了提取各种连接关系中包含的语义信息,我们为这些连接关系设计了一种编码策略,并将其嵌入到基于特定连接的图神经网络(C-GNN)。所构建的C-GNN模型包含多层学习过程,在每层的学习过程中节点的属性以及连接关系的嵌入都会被更新。此外,为了区分目标节点在不同连接关系下的邻居拓扑对lncRNA和疾病关联预测的贡献,我们设计了连接层面的注意力机制,来为更重要的邻居拓扑分配更大的权重。Lnc RNA和疾病的邻居拓扑被融合输入到MLP中以得到最终得分。C-GNN方法与其他六个对比方法相比取得了最高的性能。大多数先前学习的节点对成对属性的卷积操作都集中于使用标准卷积核,忽略了特征图中各个位置的重要性。为了克服这个缺点,我们构建了一个基于具有自适应卷积核的卷积神经网络的模块(A-CNN),用于增强一对lncRNA和疾病节点的属性学习。我们根据三个生物学前提构建了lncRNA-疾病节点对嵌入。lncRNA-疾病节点对嵌入被输入到自适应卷积模块中进行成对属性编码。所提出的自适应卷积策略增强了每个lncRNA-疾病节点对捕获局部更重要特征的能力。我们将增强后的成对属性输入到全连接层中得到lncRNA与疾病的关联预测得分。A-CNN与六个最新的lncRNA和疾病的关联预测方法相比取得了最高的AUC和AUPR。消融实验的结果表明了所构建的节点对各个部分嵌入以及自适应卷积核的有效性。

关键词：疾病候选lncRNA预测局部拓扑学习邻居拓扑学习表示级别注意力机制成对属性编码

基于多层面信息学习的肺肿瘤CT图像分割研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多层面信息学习的肺肿瘤CT图像分割研究

作者：徐寅峰黑龙江大学

学位级别：硕士

肺癌(又称恶性肺肿瘤)是一种常见的癌症。肺癌是全球癌症发病率和死亡率的主要原因。肺肿瘤的诊断和治疗依赖于医生对计算机断层扫描(CT)的手工分割。这种分割有着效率低、依赖临床经验等特点。因此,有必要提出一种肿瘤的自动分割方法... 详细信息

肺癌(又称恶性肺肿瘤)是一种常见的癌症。肺癌是全球癌症发病率和死亡率的主要原因。肺肿瘤的诊断和治疗依赖于医生对计算机断层扫描(CT)的手工分割。这种分割有着效率低、依赖临床经验等特点。因此,有必要提出一种肿瘤的自动分割方法以缓解上述情况。随着深度学习的发展,一些针对医学图像的自动分割模型取得了良好的效果。然而,由于不同患者的肺肿瘤有着不同形态、不同的生长位置,特别是肿瘤紧邻周围的健康组织时,二者具有高度相似的纹理及分布,使得针对肺肿瘤的CT图像分割仍具有挑战性。本文提出了三个基于深度学习的方法用于肺肿瘤CT图像分割。第一个方法是基于多尺度层面Transformer和交叉增强的肺肿瘤分割(简称MTC)。传统卷积的下采样过程是对卷积核所在位置的特征进行编码,很难捕捉到图像长距离节点之间的关系,并且下采样过程是一个维度压缩的过程,虽然提取到了更具有代表性的特征,但同时丢失了一些细节信息。与之相比,Transformer不受限于节点间的位置关系,通过整合所有节点属性之间的关联从而捕捉全局特征。且本方法提出的交叉注意机制能够将低尺度的细节信息补充到高尺度特征中,同时将高尺度中更具代表性的信息反馈给低尺度特征。从而使不同尺度特征所包含的信息更加完整。本文介绍的第二个方法是基于区域节点层面自注意力和通道层面自注意力的肺肿瘤分割(简称PSA)。在本方法中,我们提出的两个自注意力机制分别对区域节点间的空间依赖和通道间的语义关联进行建模。区域节点层面自注意力通过所有位置的特征的加权求和,使相似的特征之间相互关联,减少节点间距离所带来的影响。同时,通道层面自注意力通过整合所有通道图之间的相关性,选择性地增强具有内在关联的通道图。此外,我们将两个自注意的输出相加,以进一步丰富特征表示,从而实现更精确的分割结果。在公共肺肿瘤CT分割数据集上的评估结果优于其他分割方法,消融研究和嵌入至不同分割骨干网络的实验结果表明了本方法的有效性与通用性。本文提出的第三个方法基于相互增强的多视角层面学习的肺肿瘤分割(简称MEMI)。我们发现大多数基于卷积的分割方法都没有考虑到图像不同区域节点之间的空间依赖以及通道之间的语义关联。因此,本方法旨在分别从区域节点视角以及通道视角捕捉他们的内在关联并进行交互增强,从而提升分割性能。首先,从分割主干编码器中获得一个包含多个图像区域节点的特征图。从区域节点的角度提出了一种注意力机制,以确定所有其他节点对特定节点的影响,并增强节点属性嵌入。还设计了一种基于门控卷积的策略来集成增强的属性和原始节点特征。其次,构建了跨多通道的Transformer,以整合通道上下文关系。最后,由于区域节点视角中的编码节点属性和通道视角中的节点属性是互补的,因此提出了一种交互注意机制来在多个视图之间传播相互信息。MEMI在公共肺肿瘤分割数据集上与其他分割方法相比,展现了较为良好的分割性能。消融实验的结果也表明某一子模块对提升分割性能的有效性。

关键词：肺肿瘤CT图像分割多尺度层面Transformer 自注意力机制门控卷积跨通道Transformer 交互注意机制

基于多角度信息编码的miRNA和疾病关联预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多角度信息编码的miRNA和疾病关联预测研究

作者：王秀菊黑龙江大学

学位级别：硕士

MiRNA的失调与各种疾病的进展密切相关,因此识别疾病相关的miRNA至关重要。近年来许多研究人员提出了计算预测的方法来推断miRNA与疾病的关联性,但这些方法大都是基于同质性假设提出的,即相互连接的节点通常具有相似的特征。因此,它们... 详细信息

MiRNA的失调与各种疾病的进展密切相关,因此识别疾病相关的miRNA至关重要。近年来许多研究人员提出了计算预测的方法来推断miRNA与疾病的关联性,但这些方法大都是基于同质性假设提出的,即相互连接的节点通常具有相似的特征。因此,它们无法充分利用异质网络中多种类型节点的属性和多样连接边的异质性信息。此外,多数先前的方法是基于图推理的,它们忽略了异构网中丰富的语义,并且没有完全利用由高阶邻居节点组成的拓扑结构以及所有节点的全局和局部特征。本文提出了多个预测模型,分别从同质性-异质性信息,元路径语义信息和全局-局部信息的角度来推断疾病候选的miRNAs。基于同质性和异质性信息编码策略,本文构建了miRNA与疾病关联预测模型HHAP。首先,建立了包括miRNA和疾病这两种节点的异构网,并建立其邻接矩阵以及属性矩阵。同时设计了同质性-异质性信息编码策略,通过低通和高通的增强型滤波器分别收集异构网中的同质性信息和异质性信息,使模型能同时在异质图和同质图上提供良好的性能。最后利用局部相似性来表示节点级的同质性,并引导编码器各层中间表示的融合权重的学习。实验结果表明,HHAP在推断miRNA-疾病关联方面表现优越。不同k值下的召回率也证明HHAP可以检索到更多真实的miRNA-疾病关联。MiRNA-疾病网络中的节点之间存在远距离依赖关系。同时,不同类型的节点拥有独特的元路径,并携带特定的语义信息。因此,提出了基于元路径特定语义编码的miRNA与疾病关联预测方法MPAP。本文首先构建多个元路径,形成由高阶邻居组成的拓扑结构,并学习这些邻居之间的依赖关系。基于图卷积网络构建了元路径敏感的学习模块,可以学习每个元路径上各个miRNA(疾病)节点的语义特征。由于miRNA(疾病)节点的多个元路径携带特定的语义信息,这就需要在语义级别上采用注意机制来识别它们各自的影响力。最终,利用一对miRNA-疾病节点的属性表示进行关联预测。不同评估指标下的结果证明MPAP比一些最先进的miRNA-疾病关联预测方法有更好的预测性能。MiRNA-疾病异构网络深入揭示了miRNA与疾病之间复杂的联系,包括它们之间的相似性和关联性。异构网中也存在着各个节点在网络视角下的全局上下文的联系。同时,来自一对miRNA-疾病节点属性局部区域的详细特征是预测miRNA-疾病关联的重要辅助信息。所以,基于全局和局部属性编码的miRNA与疾病关联预测模型GLAP被设计。本文建立了一个融合层级表示的全局上下感知的图卷积自动编码器来深度整合miRNA-疾病异构网络中的拓扑、节点属性和所有节点的全局信息,并且构造了一个基于卷积和反卷积神经网络的模块,对原始特征图进行拉伸,学习节点更局部、更详细的表示。通过不同评估指标测试以及案例研究发现GLAP优于其他几个先进的关联预测方法。

关键词： MiRNA-疾病关联预测异质性元路径特定的图卷积全局上下文感知卷积-反卷积神经网络

面向多个异构网络的疾病相关miRNA候选预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向多个异构网络的疾病相关miRNA候选预测研究

作者：修金杉黑龙江大学

学位级别：硕士

MicroRNAs(miRNAs)的异常表达与多种疾病过程的发生发展密切相关。推断潜在的疾病相关miRNAs有助于深入了解疾病发病机制的观察。最近的大多数方法都集中在构建基于图推理的一个由miRNA和疾病节点组成的单一异构网络的预测模型。然而,... 详细信息

MicroRNAs(miRNAs)的异常表达与多种疾病过程的发生发展密切相关。推断潜在的疾病相关miRNAs有助于深入了解疾病发病机制的观察。最近的大多数方法都集中在构建基于图推理的一个由miRNA和疾病节点组成的单一异构网络的预测模型。然而,他们并没有完全利用多个miRNA-疾病异构网络和这些网络中的互补信息。基于miRNA和疾病相关的多源数据构建了的多个异构网络,本文提出了三个miRNA和疾病关联的预测方法。所有模型中均包含了深度学习方法,相比于miRNA-疾病关联预测的先进方法,我们的模型均取得了最优的预测性能。我们方法的贡献如下:基于多视角的图卷积网络的疾病相关miRNA候选预测模型GCNMDA。根据疾病的语义相似性和功能相似性,我们构建了两个具有独特拓扑结构的miRNA-疾病异构网络。从不同的异构网络视角下,对每个异构网络分别使用图卷积网络来获得miRNA和疾病节点的特有拓扑表示。此外,一个拓扑表示层面的注意力策略被提出来对每个视角下节点的特有拓扑表示进行自适应融合,并得出了每对miRNA和疾病节点之间的关联预测得分。实验数据充分证实,与其他10种miRNA-疾病关联预测方法进行比较,GCNMDA在AUC和AUPR两方面均展现出优越性能。基于多模态属性编码的疾病相关miRNA候选预测模型MEMDA。我们构建了miRNA-疾病异构网络基于已知的miRNA-疾病关联和miRNA与疾病的多种相似性。就一对miRNA和疾病节点而言,来自多个网络的成对属性形成了一个多模态属性嵌入。一个基于深度可分卷积的模块被构造,以增强对每个模态数据的特定特征的编码。在公共数据集上的实验结果显示,我们的方法在miRNA-疾病关联预测方面优于10种最先进的比较方法。基于跨多个网络的结点互补特征编码的疾病相关miRNA候选预测模型CEMDA。首先,多个异构网络被构建通过结合疾病与miRNA不同的相似性以及它们之间的关联。在每个异构网络中,一个miRNA(疾病)节点的属性与每个其他miRNA(疾病)节点之间存在上下文联系。基于Transformer,每个miRNA(疾病)节点的嵌入上下文联系的特征表示能被形成。由于多个网络的拓扑结构和节点属性是互补的,我们设计了一种共同注意力融合机制来对互补信息进行编码。一个网络层面的注意力策略被设计用来区分来自多个网络的结点特征的重要性,然后自适应地融合这些特征并进行miRNA-疾病关联预测。对3种疾病的案例研究表明,CEMDA有能力发现可靠的疾病相关候选miRNAs。

关键词：异构网络 MiRNA-疾病关联预测图卷积网络多模态属性学习互补特征学习共同注意力融合

面向异构图信息的药物相关副作用候选预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向异构图信息的药物相关副作用候选预测研究

作者：徐凯黑龙江大学

学位级别：硕士

随着人工智能技术的快速发展,利用计算机预测药物潜在的候选副作用有利于降低药物研发的成本和时间。之前的方法只侧重于整合多源数据,没有充分利用多个药物-副作用异构图所具有的拓扑信息和属性信息。本文利用药物和副作用相关的多源... 详细信息

随着人工智能技术的快速发展,利用计算机预测药物潜在的候选副作用有利于降低药物研发的成本和时间。之前的方法只侧重于整合多源数据,没有充分利用多个药物-副作用异构图所具有的拓扑信息和属性信息。本文利用药物和副作用相关的多源数据构建异构图,本文提出三个研究模型来预测药物相关的候选副作用。提出了一种药物-副作用关联预测方法GGAN,以深度集成来自多个异构图中的不同拓扑和属性信息。构建的异构图中包含药物和副作用节点及其相关的相似性和关联性信息,由于每个异构图都有其特定的拓扑结构和节点属性,因此从图生成和对抗的角度设计了节点特征学习策略。本文构建了一个基于图卷积自动编码器的生成器对整个异构图的拓扑结构和节点属性进行编码,然后生成嵌入图拓扑的拓扑特征。设计了一种基于多层感知器的鉴别器来区分生成的拓扑特征和原始拓扑特征。最后,建立了表示级注意力以自适应地融合不同的拓扑表示,获得预测的关联得分。本文进行相应的实验以及案例分析,证明了模型GGAN的性能。本文提出了一种新的关联预测方法,SCNN,用于整合多个药物-副作用异构图中每对药物副作用节点的自校准属性。首先,针对两种药物相似性,两个药物-副作用异构图被分别构建,整合药物与副作用的相似性和关联。为了学习校准后的属性信息,本文建立一个基于自校准卷积神经网络的模块来整合原始尺度空间和潜在尺度空间的药物-副作用节点对属性获得关联得分。通过相应的评估指标,展示了模型SCNN在预测药物潜在副作用方面的性能,进一步证明了本文的方法在发现药物潜在相关候选副作用的能力。本文提出了新的药物-副作用关联预测方法RADCN,来编码和整合来自多个异构图的多样属性。针对两种药物相似性,两个药物-副作用异构图被分别构建,以整合药物与副作用相关的相似性和关联连接。每个异构图具有其特定的属性,不同属性表示对于预测药物相关的候选副作用的贡献不同,本文建立了表示级注意机制来自适应的融合它们。本文通过空洞卷积神经网络策略进一步预测药物相关副作用,通过增大卷积核的感受野来增强属性特征提取能力。本文采用五倍交叉验证的方法进行相关实验,实验结果表明本文的预测模型有能力发现潜在的药物相关副作用候选者。

关键词：药物-副作用关联预测图生成和对抗策略自校准成对属性空洞卷积神经网络

面向异构网络的lncRNA与疾病关联预测方法的研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向异构网络的lncRNA与疾病关联预测方法的研究

作者：战立云黑龙江大学

学位级别：硕士

长非编码RNAs(lncRNAs)的异常表达通常与人类各种疾病相关,因此预测与疾病相关的lncRNAs有益于阐明复杂的疾病发病机理,为疾病的诊断和预防提供依据。然而,利用生物学实验筛选疾病的候选lncRNAs存在实验环境要求高和时间成本高等诸多不... 详细信息

长非编码RNAs(lncRNAs)的异常表达通常与人类各种疾病相关,因此预测与疾病相关的lncRNAs有益于阐明复杂的疾病发病机理,为疾病的诊断和预防提供依据。然而,利用生物学实验筛选疾病的候选lncRNAs存在实验环境要求高和时间成本高等诸多不利因素。计算机科学技术与生物信息学相结合的方式来预测lncRNA-疾病关联可以降低实验成本。因此,研究lncRNA与疾病之间的关联关系是一个有意义的课题,存在着极高的应用潜力。在lncRNA和疾病相关的多源数据中,为关联预测任务提取出丰富的语义信息是一项关键但具有挑战性的任务。对lncRNA-疾病对的多级节点对属性和节点邻居拓扑关系进行建模时同样存在着挑战。为了应对这些挑战,本文从一对lncRNA-疾病节点对属性层面、节点邻居拓扑层面、属性和拓扑注意力机制三个角度分别建立了关联预测方法。本文基于深度学习方法展开lncRNA与疾病关联预测研究任务,主要的工作和贡献体现在下述的三个方面:第一,针对于节点之间的多种连接关系的研究,本课题基于深层和浅层卷积神经网络构建了lncRNA-疾病关联预测模型DSCNLDP。结合一个lncRNA-疾病对与各个lncRNA、疾病和miRNA存在关联、相似或者互作关系的多个生物学前提,本文提出一个新颖的、节点对层面的属性嵌入机制,在多源数据中建立节点对的属性矩阵。融合节点对浅层细节特征和深层有代表性特征的多层卷积神经网络来编码lncRNA-疾病节点对的属性表示。最后,融合后的属性表示被送入全连接神经网络以揭示lncRNA与疾病之间的关联关系。为了探讨深层有代表性的属性和浅层细节属性对关联预测的贡献,本文进行了消融实验。此外,本课题设计实验讨论模型的超参数,选择出一组最好的实验参数。DSCNLDP应用在公开的数据集之上,经多个评估指标和在肺癌、前列腺癌和结直肠癌上的案例研究表明本文提出的方法取得了不错的效果。第二,针对于lncRNA和疾病节点邻居拓扑的研究,本课题基于图注意力网络构建lncRNA-疾病关联预测模型GATLDP。本课题基于图注意力网络搭建学习框架GATLDP,以表达异构网络的拓扑结构。首先,在lncRNA相似性网络和疾病相似性网络中,从邻居节点层面出发提出新的嵌入机制。依据嵌入机制,本研究得到一个lncRNA(或疾病)节点与其最相似的多个邻居的拓扑特征嵌入。本文所构建的预测模型将节点的拓扑向量投影到低纬空间,获得更稠密的节点表示。邻居节点层面的自注意力机制被建立,目的是学习每个邻居的重要性。本课题将邻居注意力机制扩展到将多头,稳定注意力的学习过程并从多个层面捕获邻居拓扑信息。通过实验,讨论GATLDP取得模型最好性能时,超参数的最优配置。实验结果表明,GATLDP模型在AUC和AUPR两个方面均取得较好的表现。在三个常见癌症上的案例研究进一步证明了GATLDP的预测性能。第三,针对于节点属性和邻居拓扑对关联预测的研究,本课题建立了带双注意力机制的预测模型GTAN,以推断lncRNA与疾病节点之间的关联倾向。注意力机制在神经网络的学习过程中突出对任务重要的信息,对于关联预测是有效的。首先,带属性注意力机制的编码模块被用来学习节点对的属性表示。属性注意力可以有效的区分该节点对相关的各个属性的差异贡献。带拓扑注意力机制的拓扑编码模块分别学习lncRNA节点和疾病节点的邻居拓扑表示。拓扑注意力学习了多个局部拓扑表示之间相互依赖的上下文信息。两个编码模块分别学习,得到关联得分,最终用一个超参数来衡量两个模块的贡献。GTAN在AUC和AUPR上优于8个最新的对比方法。此外,GTAN在召回率上的提高表明,模型可以在预测结果排名最高的列表中检索到更多真实的lncRNA-疾病关联。关于肺癌、前列腺癌和结肠癌的案例研究进一步证实了GTAN发现潜在lncRNA-疾病关联的能力。

关键词： lncRNA-疾病关联预测多层卷积神经网络图神经网络邻居自注意力机制属性注意力机制拓扑注意力机制

基于异构网络的药物与蛋白相互作用预测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于异构网络的药物与蛋白相互作用预测方法研究

作者：范梦思黑龙江大学

学位级别：硕士

确定与药物相互作用的蛋白在药物开发初期起着重要作用,同时它也在药物重定位中扮演着重要角色。传统做法中,药物-蛋白的相互作用往往通过生物实验进行识别和验证,这种做法需要较高的时间成本和经济成本。湿实验室实验可以利用计算方法... 详细信息

确定与药物相互作用的蛋白在药物开发初期起着重要作用,同时它也在药物重定位中扮演着重要角色。传统做法中,药物-蛋白的相互作用往往通过生物实验进行识别和验证,这种做法需要较高的时间成本和经济成本。湿实验室实验可以利用计算方法预测得到的候选蛋白进行实验,这种方法不仅可以降低药物开发的成本,而且减少了所需时间,加速了药物开发的进程。目前预测药物和蛋白之间的相互作用的大多数方法聚焦在利用与药物和蛋白相关的不同数据。然而,这些方法没有充分学习并融合药物和蛋白节点的成对属性分布,拓扑以及属性信息。而这将对模型的性能造成影响。本课题提出了三个新方法CVDTI、GVDTI、MGVDTI,来预测药物和蛋白之间的互作关系。CVDTI不仅整合了药物,蛋白和疾病相关的相似性,相互作用和关联性,而且利用卷积变分自动编码器深度融合了药物和蛋白节点的相关信息,学习得到了一对药物和蛋白节点的属性分布和属性表示。药物和蛋白节点最初的属性信息较为稀疏,有着较高的维度。本课题通过CVDTI,将药物,蛋白相关的属性信息投影到了低维的属性空间,并使其服从了高斯分布,以增强模型的性能。实验结果表明,CVDTI优于几个最新的药物-蛋白互作预测方法。近年来,越来越多的研究证明了网络拓扑结构和注意力机制的重要性。因此,本课题提出了基于属性级注意图卷积自动编码器的药物-蛋白互作预测方法,GVDTI。它从药物相似、药物-疾病和药物-蛋白相关的各个子网络中提取和嵌入隐藏的拓扑结构。由于节点属性向量中的单个属性对拓扑嵌入有不同的贡献,本文在节点属性层面上提出了新的注意机制来自适应学习并反映每个子网络节点属性的不同贡献。对比结果表明,GVDTI的预测性能更好一些。为了更全面的考虑药物,蛋白相关网络的拓扑结构,本课题提出了一个新的方法,MGVDTI。它在GVDTI的图卷积模块中新增了一路,以提取异构网的拓扑表示。此方法不但构建了更全面的属性网（药物相似信息、蛋白相似信息、药物与蛋白的互作信息、药物与疾病的关联信息以及蛋白与疾病的关联信息）,并且从药物相似网,蛋白相似网,药物-蛋白异构网以及它们相对应的属性网中分别得到了各个节点的拓扑表示。随后,利用卷积对成对的拓扑表示,属性表示以及属性分布进行融合,进而预测药物-蛋白的互作分数。结果显示,与其它方法相比,MGVDTI的召回率得到了较大的提升,预测结果也更为准确,能够检索出更多的互作关系。此外,本文还对quetiapine、verapamil、amitriptyline、clozapine、ziprasidone五个药物进行了案例研究,以进一步证明MGVDTI能够发现潜在候选蛋白的能力。

关键词：药物与蛋白的互作预测异构网络变分自动编码器图卷积自动编码器注意力机制