長(zhǎng)鏈非編碼RNA(Longnon-coding RNA,簡(jiǎn)記為lncRNA),幾乎參與了生物體的全部生物學(xué)過程,且在生物體RNA中占很大比例。lncRNA對(duì)基因表達(dá)有很強(qiáng)的調(diào)控作用,與一些人類疾病密切相關(guān)。預(yù)測(cè)疾病和lncRNA的關(guān)聯(lián)關(guān)系有助于弄清疾病的發(fā)生機(jī)制,同時(shí)帶來一些疾病預(yù)防、治療的新方法。在現(xiàn)有疾病和lncRNA關(guān)聯(lián)預(yù)測(cè)的研究中,人們使用了基于機(jī)器學(xué)習(xí)和基于網(wǎng)絡(luò)的方法。然而這些方法準(zhǔn)確率不怎么高;而且是提取疾病與lncRNA的淺層特征,難以學(xué)習(xí)到深層表示特征。本文提出了兩種疾病-lncRNA的關(guān)聯(lián)預(yù)測(cè)方法,分別是基于機(jī)器學(xué)習(xí)的關(guān)聯(lián)預(yù)測(cè)方法和基于有卷積神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)預(yù)測(cè)方法。第一個(gè)方法是基于機(jī)器學(xué)習(xí)的疾病-lncRNA關(guān)聯(lián)預(yù)測(cè)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(gòu)建疾病的特征,基于相關(guān)lncRNA具有相似關(guān)聯(lián)的疾病的假設(shè)來構(gòu)建lncRNA的特征,從而構(gòu)建出了疾病-lncRNA對(duì)的特征;然后使用自動(dòng)編碼器來對(duì)疾病-lncRNA對(duì)的特征進(jìn)行降維;最后通過旋轉(zhuǎn)森林來對(duì)疾病-lncRNA進(jìn)行關(guān)聯(lián)預(yù)測(cè)。多個(gè)評(píng)估標(biāo)準(zhǔn)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(xué)位級(jí)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(shí)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(luò)結(jié)構(gòu)圖??卷積神經(jīng)網(wǎng)絡(luò)對(duì)于圖像的訓(xùn)練過程主要有以下幾個(gè)步驟：??

碩士學(xué)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(luò)??卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測(cè)、語音識(shí)別、場(chǎng)景識(shí)別等領(lǐng)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(xué)位論文??ＭＡＳＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??為每次輸入圖像或特征圖的個(gè)數(shù)，Ｃ為通道，Ｈ為高度，Ｗ為寬度。顧名思義，??ＢａｔｃｈＮｏｒｍ是在ｂａｔｃｈ上對(duì)ＮＨＷ做歸一化，ＬａｙｅｒＮｏｒｍ是在通道上對(duì)ＣＨＷ歸一??化，ＩｎｓｔａｎｃｅＮｏｒｍ是在像素上對(duì)ＨＷ做歸一化，Ｇｒｏ....

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

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

本文編號(hào)：3949659