本發(fā)明屬于生物信息學領域，涉及一種基于圖注意力網絡的疾病相關pirna分類方法，其中包括機器學習、深度學習、圖神經網絡等技術。

背景技術：

1、pirna是一類與piwi蛋白家族成員相互作用的小rna分子，它們在基因沉默和轉座元件調控中扮演著關鍵角色。在人類癌癥中，特別是種系和體細胞組織中，piwi蛋白和與其相互作用的pirna的表達與較差的臨床預后相關，這表明它們在癌癥發(fā)展中可能發(fā)揮著重要作用。因此，精確且高通量的分類與疾病相關的pirna對于優(yōu)先選擇潛在的實驗篩選候選物至關重要。通過計算分類，可以減少實驗室工作量，節(jié)約成本和時間，快速識別潛在的藥物靶點相互作用，從而加速候選物質進入實驗驗證階段。利用機器學習方法分類與疾病相關的pirna，可以通過分析大量的分子結構和生物信息數據，加速藥物發(fā)現和設計過程。這些方法不僅可以縮短藥物研發(fā)周期，降低研發(fā)成本，還能促進新藥物的發(fā)現。

技術實現思路

1、本發(fā)明提出了一種基于圖注意力網絡的疾病相關pirna分類方法，該方法對原始數據進行預處理后直接輸入到深層架構，使用圖注意力網絡處理圖結構數據，并應用參數值為450的swish激活函數緩解梯度消失問題。

2、一種基于圖注意力網絡的疾病相關pirna分類方法，包括數據預處理、圖注意力網絡訓練、加載并分類數據三個步驟，具體步驟如下：

3、步驟1、使用數據加載函數，得到鄰接矩陣a、節(jié)點特征x；進行數據完整性檢查，確保所有必要的數據組件均已正確加載且未損壞；對鄰接矩陣添加自環(huán)處理，即在每個節(jié)點對應的對角線位置上加上1；直接將原始數據特征送入深層架構進行特征提取和分類。

4、步驟2、定義一個包含兩個圖注意力層的深層架構，第一個圖注意力層應用參數值為450的swish激活函數，第二個圖注意力層使用softmax?激活函數，對輸入值進行非線性映射和平滑梯度處理；在圖注意力層中對權重矩陣和注意力機制的權重應用l2正則化；在每個圖注意力層之后配置dropout層；利用預先訓練好的模型權重來初始化圖注意力層，然后進行訓練并保存訓練好的模型。

5、步驟3、通過步驟1定義的數據加載函數加載數據，并預處理；將預處理后的數據輸入步驟2中訓練好的模型，并將模型輸出的分類概率轉換為具體的類別標簽；最后，分析和解釋每個pirna分類結果。

6、一種基于圖注意力網絡的疾病相關pirna分類方法，步驟1的實現過程如下：

7、使用load_data函數加載圖數據集，返回鄰接矩陣a、節(jié)點特征x以及訓練、驗證和測試標簽y_train、y_val、y_test，以及對應的索引idx_train、idx_val、idx_test。鄰接矩陣a是一個形狀為?( n, n)?的方陣，其中 n是圖中節(jié)點的數量，矩陣中的每個元素a[ i][ j]表示節(jié)點 i和節(jié)點 j之間是否存在邊；對數據進行完整性檢查，確保所有必要的數據組件均已正確加載且未損壞；為了讓模型在處理每個節(jié)點時能夠考慮到節(jié)點自身的特征，對鄰接矩陣添加自環(huán)處理，即在每個節(jié)點對應的對角線位置上加上1，即a=a+；表示鄰接矩陣添加的自環(huán)；分配訓練集、驗證集和測試集的標簽以及構建相應的索引；預處理后直接將原始數據特征送入深層架構進行特征提取和分類。

8、一種基于圖注意力網絡的疾病相關pirna分類方法，步驟2的實現過程如下：

9、定義一個包含兩個圖注意力層的深層架構，其中第一圖注意力層接收每個節(jié)點的特征向量，記為x_in；該層包含attn_heads個注意力頭，每個頭的輸出特征維度為8；并通過參數值為450的swish激活函數進行非線性變換，對輸入值進行非線性映射和平滑梯度處理，同時應用l2正則化進行權重衰減；第一個圖注意力層的輸出經過dropout處理后，送入第二個圖注意力層；第二個圖注意力層接收鄰接矩陣，通過注意力機制來加權鄰接節(jié)點的特征以捕捉節(jié)點間的復雜依賴關系。最后，采用softmax激活函數，輸出每個節(jié)點屬于兩個類別的概率分布；同樣使用l2正則化，防止模型過擬合；利用預先訓練好的模型權重來初始化圖注意力層，然后進行訓練并保存訓練好的模型，以便進行后續(xù)的分類任務。

10、一種基于圖注意力網絡的疾病相關pirna分類方法，步驟3的實現過程如下：

11、對新的pirna數據進行分類，首先通過步驟1中的load_data函數加載數據，這包括每個pirna的鄰接矩陣a、特征矩陣x。在數據預處理階段，對鄰接矩陣a添加自環(huán)以增強模型對節(jié)點自身特征的關注；加載步驟2中保存的模型；將預處理后的數據輸入模型，模型輸出每個pirna的分類概率，最終根據這些概率確定每個pirna的最終分類結果。

技術特征：

1.一種基于圖注意力網絡的疾病相關pirna分類方法，其特征在于，對原始數據進行預處理后直接輸入到深層架構，使用圖注意力網絡處理圖結構數據，并應用參數值為450的swish激活函數緩解梯度消失問題，包括數據預處理、圖注意力網絡訓練、加載并分類數據三個步驟，其具體步驟如下：

技術總結
本發(fā)明屬于生物信息學領域，涉及一種基于圖注意力網絡的疾病相關piRNA分類方法。piRNA是一類與PIWI蛋白家族成員相互作用的小RNA分子，主要參與基因沉默和轉座元件的調控。首先，保留數據的原始特征，對原始數據進行預處理后直接輸入到深層架構；其次，使用圖注意力網絡處理圖結構數據，通過注意力機制捕捉節(jié)點間的復雜依賴關系，并通過特征轉換和聚合提高分類性能；最后，應用參數值為450的Swish激活函數緩解梯度消失問題。該方法能夠處理復雜的生物數據，提高預測的準確率，并促進新藥發(fā)現和疾病機理研究。

技術研發(fā)人員：張得印,周樹森,臧睦君,劉通,柳嬋娟,王慶軍
受保護的技術使用者：魯東大學
技術研發(fā)日：
技術公布日：2024/12/19