[發明專利]一種基于集成學習的生物醫學網絡關聯預測方法

有效

• 申請號: 202110236007.3
• 申請日: 2021-03-03
• 公開（公告）號: CN112951320B
• 公開（公告）日: 2023-05-16
• 發明（設計）人: 歐陽樂;盧帆
• 申請（專利權）人: 深圳大學
• 主分類號: G16B15/30
• 分類號: G16B15/30;G16B20/20;G16B40/00
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 劉俊

1.一種基于集成學習的生物醫學網絡關聯預測方法，其特征在于，包括以下步驟：

S1，獲取待預測的兩類生物實體的原始相似度矩陣以及關聯矩陣；選擇M個現有的生物醫學網絡關聯預測算法，根據所述原始相似度矩陣以及關聯矩陣對所述生物實體進行關聯預測，獲得各算法的預測結果；

S2，根據各算法的預測結果，分別計算獲得所述生物實體的預測相似度矩陣；對所述預測相似度矩陣進行稀疏化處理后，結合各算法的預測結果，以加權疊加的方式計算獲得所述生物實體的集成相似度矩陣；

S3，運用奇異值分解對所述原始相似度矩陣提取低維特征，結合所述集成相似度矩陣構建自適應加權集成矩陣分解模型；

S4，對所述自適應加權集成矩陣分解模型進行訓練優化直至模型收斂；

S5，運用收斂后的所述自適應加權集成矩陣分解模型重建預測矩陣作為所述生物實體關聯預測的最終結果。

2.根據權利要求1所述的基于集成學習的生物醫學網絡關聯預測方法，其特征在于，在所述步驟S2中通過以下公式計算獲得所述生物實體的預測相似度矩陣以及

其中，A＝{a₁,a₂,…,a_m}以及B＝{b₁,b₂,…,b_n}分別表示所述生物實體的集合；Y^(l)(a_i)和Y^(l)(b_i)分別表示第l個算法的預測結果Y^(l)的第a_i個行向量及第b_i個列向量；控制函數帶寬的參數設置為以及

3.根據權利要求2所述的基于集成學習的生物醫學網絡關聯預測方法，其特征在于，在所述步驟S2中通過以下公式對所述預測相似度矩陣進行稀疏化處理：

其中，N(a_i)代表a_i的近鄰集合，N(b_i)代表b_i的近鄰集合。

4.根據權利要求3所述的基于集成學習的生物醫學網絡關聯預測方法，其特征在于，在所述步驟S2通過以下公式計算獲得所述生物實體的集成相似度矩陣G_AS以及G_BS：

其中，和為自適應學習的權重。

5.根據權利要求4所述的基于集成學習的生物醫學網絡關聯預測方法，其特征在于，在所述步驟S3中通過以下公式對所述原始相似度矩陣S_A以及S_B提取低維特征F_A以及F_B：

其中，低維特征的維度設置為f_A以及f_B，f_Am，f_Bn。

6.根據權利要求5所述的基于集成學習的生物醫學網絡關聯預測方法，其特征在于，所述自適應加權集成矩陣分解模型按以下公式表示：

其中，G_ASF_A構成了A類生物實體的特征表示，G_BSF_B構成了B類生物實體的特征表示，以及表示A、B兩類生物實體投影到共享的k維空間里的嵌入矩陣，k≤min(f_A,f_B)，u_i表示U的第i個行向量，v_j表示V的第j個行向量。

7.根據權利要求6所述的基于集成學習的生物醫學網絡關聯預測方法，其特征在于，在所述步驟S4中，對所述自適應加權集成矩陣分解模型進行訓練優化通過求解以下目標函數實現：

其中，M為所述生物醫學網絡關聯預測算法的數量。