基于图卷积网络的微生物与疾病关联关系预测方法与系统

技术特征：
1.基于图卷积网络的微生物与疾病关联关系预测方法，其特征在于，包括以下步骤：s1：根据微生物与疾病关联网络、微生物与微生物相似性网络以及疾病与疾病相似性网络构建异构网络，包括，s101：从hmdad数据库中下载微生物-疾病关联关系数据，其中包括39种疾病和292种微生物之间的483种实验关联通过重复数据消除操作，从hmdad导出了450个关联，涉及39种疾病和292种微生物；令表示下载得到的微生物种类集合，物种类集合，表示下载得到的疾病种类集合，得到邻接矩阵对于m
i
(1≤i≤n
m
)和d
j
(1≤j≤n
d
),若它们之间存在关联则令a
i,j
＝1,否则a
i,j
＝0；，n
m
表示微生物种类的个数，n
d
表示疾病种类的个数。s102：根据微生物-疾病关联网络计算微生物-微生物之间的第一相似性和第二相似性并构建微生物相似性网络；s103：根据微生物-疾病关联网络来计算疾病-疾病之间的第一相似性和第二相似性来构建疾病相似性网络；s104：基于上述得到的微生物相似性网络、疾病相似性网络和微生物-疾病关联网络，构建一个异构网络；s2：基于步骤s1构建的异构网络，采用图卷积神经网络分别提取微生物和疾病各层的嵌入特征；s3：采用图卷积神经网络导出的多层注意机制将每一层得到的嵌入特征融合在一起；s4：采用双线性解码器推断得到微生物-疾病关联关系数据。2.如权利要求1所述的基于图卷积网络的微生物与疾病关联关系预测方法，其特征在于，步骤s1中异构网络的构建，采用如下公式进行计算：整合第一相似性和第二相似性来构建微生物相似性网络，两个微生物{m
i
,m
j
}∈m之间的相似性s
m
定义如下：其中，cm(m
i
,m
j
)为微生物m
i
和微生物m
j
之间的第二相似性，其计算公式如下：其中，a(i,：)和a(j,：)分别代表邻接矩阵a的第i和第j行；km(m
i
,m
j
)为微生物m
i
和微生物m
j
之间的第一相似性，其计算公式如下：km(m
i
,m
j
)＝exp(-γ
m
||a(i,：)-a(j,：)||2)其中||
·
||2表示l2范数，参数γ
m
可计算如下：疾病相似性网络通过疾病第二相似性和第一相似性构建，两个疾病{d
i
,d
j
}∈d之间的
相似性s
d
定义如下：其中，cd(d
i
,d
j
)为疾病d
i
和疾病d
j
之间的第二相似性，其计算公式如下：其中，a(：,i)代表邻接矩阵a的第i列。kd(d
i
,d
j
)是疾病d
i
和疾病d
j
之间的第一相似性，其计算公式如下：kd(d
i
,d
j
)＝exp(-γ
d
||a(：,i)-a(：,j)||2)其中||
·
||2表示l2范数，参数γ
d
可计算如下：基于上述得到的微生物相似性矩阵疾病相似性矩阵和微生物-疾病关联关系邻接矩阵a，构建邻接矩阵如下：3.如权利要求1所述的基于图卷积网络的微生物与疾病关联关系预测方法，其特征在于，步骤s2包括，将步骤s1得到的邻接矩阵作为模型的输入，定义的gcn公式如下：设l表示gcn的节点层数，l∈{1,
…
,l},h
l
代表第l层节点的嵌入特征,
ꢀꢀ
是第l层的权重矩阵,k是第l嵌入特征的维数,σ(
·
)代表非线性激活函数，采用以下整流线性单元relu作为激活函数。4.如权利要求1所述的基于图卷积网络的微生物与疾病关联关系预测方法，其特征在于，所述步骤s3包括，h0代表y中节点的初始嵌入特征,初始化h0公式如下:得出微生物和疾病的最终嵌入特征，如下所示：
代表微生物的最终的嵌入特征矩阵,代表疾病最终的嵌入特征矩阵,w
i
代表自学习注意力分数定义如下:5.如权利要求1所述的基于图卷积网络的微生物与疾病关联关系预测方法，其特征在于，所述步骤s4包括，采用如下定义的双线性解码器重建潜在的微生物疾病关联的邻接矩阵：a’＝f(h
m
，h
d
)：)：是训练矩阵。6.一种基于图卷积网络的微生物与疾病关联关系预测系统，其特征在于，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时执行所述权利要求1-5定义的步骤。

技术总结
本发明提供基于图卷积网络的微生物与疾病关联关系预测方法，包括以下步骤：S1：根据微生物与疾病关联网络、微生物与微生物相似性网络以及疾病与疾病相似性网络构建异构网络S2：基于步骤S1构建的异构网络，采用图卷积神经网络分别提取微生物和疾病各层的嵌入特征；S3：采用图卷积神经网络导出的多层注意机制将每一层得到的嵌入特征融合在一起；S4：采用双线性解码器推断得到微生物-疾病关联关系数据。本发明充分利用异构网络中邻居节点信息和图注意力网络自动提取特征的特点，从而提高微生物与疾病关联关系的预测效果。可为研究人员提供一定的参考信息，大大减少了实验的工作量。大大减少了实验的工作量。大大减少了实验的工作量。


技术研发人员：刘黎利 陈起家 伍偶香 曾彬
受保护的技术使用者：湖南电子科技职业学院
技术研发日：2022.11.17
技术公布日：2023/3/3