检索结果-南通市图书馆

作者：高楚翘天津大学

学位级别：硕士

从现有药物中发现潜在适应症能够减少药物研究开发的时间和成本。同时,预测现有药物的潜在副作用可以实现合理的配伍用药,提高药物疗效,减少药物副作用。药物重新定位和预测药物副作用是药物开发过程中的有效策略。基于药物、疾病以及... 详细信息

从现有药物中发现潜在适应症能够减少药物研究开发的时间和成本。同时,预测现有药物的潜在副作用可以实现合理的配伍用药,提高药物疗效,减少药物副作用。药物重新定位和预测药物副作用是药物开发过程中的有效策略。基于药物、疾病以及副作用的相似性,已经引入了许多系统的计算药物重定位以及预测药物-副作用潜在关联的方法。本文提出了两种计算模型:DDA-SKF(Drug-Disease Associations prediction using Similarity Kernels Fusion,DDA-SKF)和DSA-SKF(Drug-Side effect Associations prediction using Similarity Kernels Fusion,DSA-SKF),通过利用相似性核融合算法(Similarity Kernels Fusion,SKF)和拉普拉斯正则化最小二乘算法(Laplacian Regularized Least Ssquares,Lap RLS)整合多个相似性核预测新的关联。首先利用药物、疾病以及副作用的多方面信息构建多个相似性核,接着使用SKF算法将多个相似性核整合为一个综合相似性核,最后使用Lap RLS算法构建DDA-SKF模型与DSA-SKF模型。本文利用不同的评估方法评估模型的预测性能,实验结果显示DDA-SKF与DSA-SKF的预测性能优于或至少可与所有最先进的方法相媲美。此外,本文对SKF算法的综合评估表明SKF对于预测性能提升显著。值得注意的是,DDA-SKF可以在疾病之间没有足够的相似性信息的情况下工作,这一特点能够用于预测孤儿药物的新用途。DDA-SKF模型的源代码和基准数据集存放在Git Hub仓库中(https://***/GCQ2119216031/DDA-SKF)。

关键词：药物重定位药物-疾病关联药物-副作用关联相似性核融合拉普拉斯正则化最小二乘法

基于相似性核融合的lncRNA与疾病潜在关联预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于相似性核融合的lncRNA与疾病潜在关联预测

作者：孟腾飞广东工业大学

学位级别：硕士

长非编码RNA(lncRNA)是一类广泛存在于细胞中长度超过200核苷酸(nt)的非编码RNA(nc RNA)。近些年研究发现lncRNA在疾病的产生过程中具有重要作用,但是两者的关系还没有完全清楚。医学工作者为了研究lncRNA与疾病的关联,通常采用“湿实... 详细信息

长非编码RNA(lncRNA)是一类广泛存在于细胞中长度超过200核苷酸(nt)的非编码RNA(nc RNA)。近些年研究发现lncRNA在疾病的产生过程中具有重要作用,但是两者的关系还没有完全清楚。医学工作者为了研究lncRNA与疾病的关联,通常采用“湿实验”的方式,面对几十万种lncRNA和复杂的疾病,传统方式面对这么庞大的数据集显得束手无策,会浪费大量的人力成本和经济成本。为此,生物信息学的研究者将性能良好的预测模型应用到lncRNA与疾病关联研究中,可以快速得到与某种疾病最相关的几种lncRNA,然后医学工作者就可以专注于这几种lncRNA与疾病的关联的研究。虽然这些模型取得了不错的成就,但是目前的预测模型还有很多提高精度的空间。因为随着lncRNA与疾病相关研究的深入,越来越多的lncRNA相似性和疾病相似性维度应用到lncRNA与疾病的关联预测中,但是当前常用的模型存在的问题是:第一种情况是使用了疾病和lncRNA的单一的相似性,另一种情况是在整合lncRNA与疾病的多种相似性的时候可能导致信息丢失的问题。为了解决这些问题,本文做了以下研究:(1)研究多种lncRNA与疾病的相似性,包括lncRNA的表达相似性、lncRNA相似性、疾病语义相似性、疾病余弦相似性。(2)使用相似性核融合方法整合lncRNA与疾病相似性,为了消除噪声影响,在融合之前强制执行邻居约束以细化所有相似矩阵。然后构建基于拉普拉斯正则化最小二乘法的成本函数预测lncRNA与疾病的关联。(3)针对相似性核融合模型中的5个参数,使用留一交叉验证法和五折交叉验证法分别求其最优解。(4)为了验证相似性核融合方法的性能,需要对比多种情况:多种相似性的合理性、余弦相似性和高斯核相互作用相似性的差别、相似性融合方法中邻居约束的合理性、相似性核融合模型与其他方法的比较。最后,发现在留一交叉验证和五折交叉验证中相似性核融合分别取得了0.9049和0.8743±0.0050,取得了优异的表现。此外,对三种疾病(肝细胞癌,肺癌和前列腺癌)进行的案例研究表明,相似性核融合模型可以准确预测相关的lncRNA。

关键词： lncRNA与疾病关联 lncRNA相似性疾病相似性相似性核融合拉普拉斯正则化最小二乘法

基于密集图自动编码器和多特征融合的circRNA-疾病关联预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于密集图自动编码器和多特征融合的circRNA-疾病关联预测

作者：韩家乐太原理工大学

学位级别：硕士

Circular RNA(circRNA)是一种共价闭合结构的RNA分子,其环状结构使它们在细胞中稳定存在,具有较长的半衰期,并且不易受核酸酶降解作用影响。circRNA在细胞分化以及肿瘤侵袭等生物过程中发挥着关键作用。由于其独特的环形结构和不易受核... 详细信息

Circular RNA(circRNA)是一种共价闭合结构的RNA分子,其环状结构使它们在细胞中稳定存在,具有较长的半衰期,并且不易受核酸酶降解作用影响。circRNA在细胞分化以及肿瘤侵袭等生物过程中发挥着关键作用。由于其独特的环形结构和不易受核酸酶降解影响的特性,circRNA被用于肿瘤诊断和寻找潜在治疗靶点中。因此,研究circRNA-疾病潜在关联有助于研究复杂疾病的发病机制,对于研究疾病的诊断、预后和治疗具有重要意义。现有的circRNA-疾病关联预测方法主要包括传统生物实验方法和计算预测方法。传统生物实验方法采用PCR和微阵列等生物技术,可信度高,但其过程复杂、昂贵且耗时,难以实现大规模circRNA-疾病关联预测;而计算预测方法基于circRNA和疾病相似性信息,通过矩阵分解提取线性特征,或采用机器学习、深度学习的方法学习非线性特征,可以有效预测circRNA-疾病间的关联,降低了circRNA-疾病关联预测的成本。然而,现有方法在特征提取过程中未考虑相似性数据中的拓扑结构信息,并且忽略了circRNA和疾病的线性特征与非线性特征的相互补充,影响了所提取的特征质量。针对上述问题,本文构建了基于密集图自动编码器和多特征融合的circRNA-疾病关联预测模型,主要研究内容如下:(1)现有方法忽略了circRNA和疾病相似性数据中丰富的拓扑结构信息,而图神经网络通过图嵌入可以获取相似性数据的拓扑信息。在融合circRNA与疾病多源相似性数据时,现有方法采用线性融合算法,无法获得circRNA与疾病数据的非线性特征,影响了特征提取的质量。针对以上问题,本文提出了基于相似性核融合和注意力强化-图自动编码器的circRNA-疾病关联预测模型CDA-SKAG。本文引入相似性核融合算法获取circRNA和疾病相似性矩阵中的非线性特征;采用图自动编码器分别学习circRNA和疾病的拓扑特征表示,并嵌入注意力强化层自适应优化特征,以捕获circRNA和疾病相似性中的潜在关联信息,实现潜在circRNA-疾病关联预测。(2)传统图卷积网络往往采用的浅层网络学习非线性特征,无法提取circRNA和疾病的高阶邻域信息和深层特征表示。在特征提取过程中,采用图卷积网络学习circRNA和疾病的非线性特征,忽略了circRNA和疾病的线性特征。针对以上问题,本文提出了基于密集图自动编码器和多特征融合的circRNA-疾病关联预测模型CDA-MSDGAT。CDA-MSDGAT采用密集图卷积网络代替浅层图卷积网络,以密集连接方式提高网络深度,提取circRNA和疾病的深层非线性特征;并使用非负矩阵分解算法提取circRNA和疾病的线性特征;最后融合非线性特征和线性特征用于circRNA-疾病关联预测。综上所述,本文采用相似性核融合算法来融合circRNA和疾病相似性数据,通过非负矩阵分解方法和密集图自动编码器实现了circRNA和疾病的线性特征和深层非线性特征的提取和融合,进一步丰富了特征空间,有效预测了潜在circRNA-疾病关联。与现有方法相比,CDA-MSDGAT可以更好地预测疾病相关的circRNA,为疾病诊断和治疗领域的研究提供有效的靶点信息。

关键词：相似性核融合密集图自动编码器 circRNA-疾病关联矩阵分解图卷积网络

基于矩阵分解的circRNA-疾病关联预测

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于矩阵分解的circRNA-疾病关联预测

作者：陈慧广东工业大学

学位级别：硕士

随着生物信息学的发展,具有共价闭环结构的circ RNAs已经被证实在各种生物过程中扮演着重要的角色。Circ RNAs参与有机过程,其紊乱和突变可导致疾病的发展。因此,预测与疾病相关的circ RNAs可以促进生物标志物的鉴别和疾病的预防和治疗... 详细信息

随着生物信息学的发展,具有共价闭环结构的circ RNAs已经被证实在各种生物过程中扮演着重要的角色。Circ RNAs参与有机过程,其紊乱和突变可导致疾病的发展。因此,预测与疾病相关的circ RNAs可以促进生物标志物的鉴别和疾病的预防和治疗。然而,circ RNA在疾病发病和进展中的功能和分子机制尚不清楚。关于circ RNA-疾病关联的研究主要依赖生物实验,而生物实验是耗时且昂贵的。因此,迫切需要一种计算方法来推断潜在的circ RNA-疾病关联。近几年以来,一些将矩阵分解方法与深度矩阵分解相结合的方法已经被提出。但相当数量的相关生物数据没有得到充分的利用,其改进的空间仍然很大。为了充分利用相关生物数据,以及深度矩阵分解算法的应用在预测潜在的circ RNA-疾病关联上得到更好的表现,本文提出了一种基于多源融合深度矩阵分解方法来预测潜在的circ RNA-疾病关联（DMFMSF）。DMFMSF首先选择了几个有用的circ RNA和疾病的相似性信息,然后通过相似性核融合（SKF）进行整合。此外,通过加权K近邻（WKNKN）来消除缺失的未知关联对该方法的影响。最后,通过使用奇异值分解（SVD）和深度矩阵分解来挖掘线性和非线性特征,推断潜在的circ RNA-疾病关联。在两个基准数据集上,DMFMSF的性能通过留一验证法（LOOCV）和五折交叉验证法（5折CV）进行了严格的评估。对于LOOCV,DMFMSF对这两个基准数据集的AUC值分别为0.945和0.938。对于5折CV,DMFMSF对这两个基准数据集的AUC值分别为0.920±0.001和0.912±0.002。实验结果表明,DMFMSF优于现有的几种计算方法。此外,五种重要的疾病,即肝癌、乳腺癌、急性骨髓性白血病、结直肠癌和冠状动脉疾病被应用于案例分析。结果表明,DMFMSF可以作为预测circ RNA-疾病关联的准确而有效的计算工具。注意力机制的优势是可以在深层框架内被用来确定重要因素而忽略不可用因素,使用注意力机制替代深度矩阵分解方法对DMFMSF模型进行进一步优化,从而得到新模型DMFMSF-X。通过LOOCV和5折CV来评估模型性能。对于LOOCV,DMFMSF-X对这两个基准数据集的AUC值分别为0.949和0.941。对于5折CV,DMFMSF-X对这两个基准数据集的AUC值分别为0.923±0.001和0.915±0.001。结果表明,改进模型DMFMSF-X的性能优于比DMFMSF。此外,DMFMSF-X的案例分析表明,该方法在预测宫颈癌、肺癌和胶质瘤相关的circRNAs方面是有效的。

关键词： circRNA 疾病相似性核融合深度矩阵分解注意力机制