發(fā)布時間：2024-04-09 21:23

　　長鏈非編碼RNA(Longnon-coding RNA,簡記為lncRNA),幾乎參與了生物體的全部生物學過程,且在生物體RNA中占很大比例。lncRNA對基因表達有很強的調(diào)控作用,與一些人類疾病密切相關。預測疾病和lncRNA的關聯(lián)關系有助于弄清疾病的發(fā)生機制,同時帶來一些疾病預防、治療的新方法。在現(xiàn)有疾病和lncRNA關聯(lián)預測的研究中,人們使用了基于機器學習和基于網(wǎng)絡的方法。然而這些方法準確率不怎么高;而且是提取疾病與lncRNA的淺層特征,難以學習到深層表示特征。本文提出了兩種疾病-lncRNA的關聯(lián)預測方法,分別是基于機器學習的關聯(lián)預測方法和基于有卷積神經(jīng)網(wǎng)絡的關聯(lián)預測方法。第一個方法是基于機器學習的疾病-lncRNA關聯(lián)預測方法。該方法首先通過疾病MeSH描述、已知的疾病-lncRNA交互作用來構建疾病的特征,基于相關lncRNA具有相似關聯(lián)的疾病的假設來構建lncRNA的特征,從而構建出了疾病-lncRNA對的特征;然后使用自動編碼器來對疾病-lncRNA對的特征進行降維;最后通過旋轉森林來對疾病-lncRNA進行關聯(lián)預測。多個評估標準和案例分析表明該方法有很好的效果。第二...

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【部分圖文】：

圖２．３線性可分情況下的二維分類??（２）線性不可分ＳＶＭ??

Ｚ）?＝?０，使得ＨＩ和Ｈ２之間的距離最大。??實際上，Ｈ１和Ｈ２之間的距離是；優(yōu)化問題見公式２．５。??ｌｋｌ｜??｜?饑ｄｌｋ｜｜２?（公式?２．５）??Ｕ．?乃（Ｗ?？?＋?／））?２?１，?Ｚ?＝?１，２，…，ｎ??求得公式２．５的最優(yōu)解ｗ＇?后，可得分類決策函數(shù)／（ｘ）....

圖２．４卷積神經(jīng)網(wǎng)絡結構圖??卷積神經(jīng)網(wǎng)絡對于圖像的訓練過程主要有以下幾個步驟：??

碩士學位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??求得公式２．７的最優(yōu)解ａ＊?＝?？，〇：〗，后，可得分類決策函數(shù)／〇：）?＝??ｓｉｇｎ（Ｚｉ＝１?ａｔｙｉＫ＾ｘ，?＋?ｂ＊）〇??２．２卷積神經(jīng)網(wǎng)絡??卷積神經(jīng)網(wǎng)絡在目標檢測、語音識別、場景識別等領域中表現(xiàn)突出，這些歸功??于....

圖２．５歸一化方法（來源于：ＧｒｏｕｐＮｏｒｍ原論文??

碩士學位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??為每次輸入圖像或特征圖的個數(shù)，Ｃ為通道，Ｈ為高度，Ｗ為寬度。顧名思義，??ＢａｔｃｈＮｏｒｍ是在ｂａｔｃｈ上對ＮＨＷ做歸一化，ＬａｙｅｒＮｏｒｍ是在通道上對ＣＨＷ歸一??化，ＩｎｓｔａｎｃｅＮｏｒｍ是在像素上對ＨＷ做歸一化，Ｇｒｏ....

圖３．２?ＩｎｃＲＮＡ相似度計算??于是ｍｉＲＮＡ?ｍｊｆｌｍｉＲＮＡ?ｍ；．的相似性可以計算如公式３．１６：??

疾病?疾病，＿Ａ?■?ＩｎｃＲｆＪＡｆ?ｍｉＲＮＡ＾??＾贏“’?國國?國?？?？??ａ?Ａ＇?ａ?Ａ、ｉ?．?ａ?＿?＿?■豳?ｅ?國??、＼、贏?Ｊ、、、贏?ｙ、＼?Ａ?＼?Ｈ?ｙ?、、ＨＩ?，，、、＿ｌ??疾病相似度與ｍｉＲＮＡｍ，．有關的疾病組合?ｍｉＲＮＡ相似度?與丨ｎ....

本文編號：3949659