發(fā)布時間：2024-07-02 23:23

　　隨著高通量生物技術(shù)的蓬勃發(fā)展和普遍應用,越發(fā)多的研究證實長鏈非編碼RNA(lncRNA)在各種生物過程中起著關(guān)鍵作用并與多種復雜疾病存在關(guān)聯(lián)。因此,預測潛在的lncRNA-疾病關(guān)聯(lián)不僅有助于在lncRNA水平上揭示疾病的分子機制,而且還有助于生物標志物的發(fā)掘,進一步促進疾病的預防、診斷和治療。近年來,已提出了各種機器學習模型來預測lncRNA-疾病關(guān)聯(lián),基于數(shù)據(jù)融合的方法普遍取得最優(yōu)的效果。早期的方法通過簡單的分子屬性向量拼接融合數(shù)據(jù)進而識別lncRNA-疾病關(guān)聯(lián),但忽略了不同類型數(shù)據(jù)源的內(nèi)在特性并造成維度爆炸等問題。基于分類器集成的監(jiān)督學習為不同的數(shù)據(jù)源分別建立不同的模型再集成這些模型進行l(wèi)ncRNA-疾病關(guān)聯(lián)預測,但這種集成模型易受低質(zhì)量基礎(chǔ)模型的影響。多視圖學習可也可融合異質(zhì)數(shù)據(jù)進行l(wèi)ncRNA-疾病關(guān)聯(lián)預測,但是該類方法必須將與lncRNA或疾病相關(guān)聯(lián)的多源數(shù)據(jù)轉(zhuǎn)換為其同質(zhì)數(shù)據(jù),存在轉(zhuǎn)換信息損失�；�于矩陣分解的數(shù)據(jù)整合技術(shù)可以保持異質(zhì)數(shù)據(jù)源的內(nèi)部結(jié)構(gòu),但是無法差異性整合數(shù)據(jù)源,或者更傾向于選擇稀疏的數(shù)據(jù)源進行融合,降低了整合效果。因此,研究高效的基于多源數(shù)據(jù)融合的lncRNA-...

【文章頁數(shù)】：107 頁

【學位級別】：碩士

【部分圖文】：

圖3-2WMLDA的lncRNA-疾病關(guān)聯(lián)預測結(jié)果

牟僮骰岣哺塹粽廡┮熘適?菰吹謀舊斫峁埂６鳵WRlncD獲得了較低的AUROC和AUPRC。這是因為RWRlncD僅使用了已知的lncRNA-疾病關(guān)聯(lián)來預測潛在的lncRNA-疾病關(guān)聯(lián)。圖3-2中的實驗結(jié)果證明，與僅使用單一數(shù)據(jù)源的算法相比，基于多源數(shù)據(jù)融合方法在預測lncRNA-....

圖3-3WMFLDA在每對和的取值變化下的AUPRC

西南大學碩士學位論文46從圖3-3中可以看出，當7=10和=106時，WMFLDA取得最高的AUPRC。由圖3-3所示，的取值會顯著影響算法的性能，AUPRC值隨的增加而增加，并在410時達到平穩(wěn)狀態(tài)。這是因為當值過小，異質(zhì)關(guān)聯(lián)矩陣的權(quán)重也被分配的很小，導致目標關(guān)聯(lián)矩陣(lncR....

圖3-4WMFLDA在不同取值下的同質(zhì)關(guān)聯(lián)網(wǎng)絡權(quán)重分配5(1)

西南大學碩士學位論文46從圖3-3中可以看出，當7=10和=106時，WMFLDA取得最高的AUPRC。由圖3-3所示，的取值會顯著影響算法的性能，AUPRC值隨的增加而增加，并在410時達到平穩(wěn)狀態(tài)。這是因為當值過小，異質(zhì)關(guān)聯(lián)矩陣的權(quán)重也被分配的很小，導致目標關(guān)聯(lián)矩陣(lncR....

圖3-5WMFLDA的收斂曲線

ㄖ匚?0，并且當6=10時，WMFLDA取得最高的AUROC和AUPRC。之所以會拋棄掉部分同質(zhì)關(guān)聯(lián)矩陣，是因為這些矩陣相較于所選擇的同質(zhì)關(guān)聯(lián)矩陣來說，其內(nèi)部噪聲較高，并且所選擇的同質(zhì)關(guān)聯(lián)矩陣具有更可靠的內(nèi)部關(guān)聯(lián)來對lncRNA-疾病關(guān)聯(lián)進行準確預測。因此，上述實驗證明了WMFL....

本文編號：4000169