基于多视图多模态和交叉注意网络的微生物-疾病关联预测方法

本发明设计了一种基于多视图多模态和交叉注意网络的微生物-疾病关联预测方法，涉及生物信息学疾病关联预测领域。

背景技术：

1、微生物群落包括细菌、古菌、真菌、病毒和其他微小的微生物，它们在各种生态、工业和医学领域发挥着至关重要的作用。它们栖息在人体的各个部位，如皮肤、口腔、消化道和生殖道。微生物群落与人体之间复杂的相互作用对人体健康和功能有重要影响，如免疫系统调节、抵御病原体以及消化和新陈代谢等。研究表明肠道微生物群与神经系统之间的相互作用可能会深刻影响情绪调节、认知功能和行为表现。某些疾病，如抑郁症、自闭症、哮喘，甚至某些癌症，都与肠道微生物群的组成和平衡破坏密切相关。也有证据表明某些微生物群落对人体是是有益的。例如，乳酸菌不仅能调节肠道微生物群，缓解女性多囊卵巢综合症，还能在防治肥胖方面提供某些益处和效果。因此识别微生物与疾病的关联不仅能揭示疾病的发病机理，还能提供更精确有效的预防、诊断和治疗方法。

2、由于传统生物学实验耗时耗力，当下研究热点是通过计算方法识别潜在的微生物与疾病的关联。

3、目前用于微生物疾病关联预测的计算模型有四种：基于路径的方法、基于随机游走的方法、基于矩阵分解的方法以及机器学习和深度学习方法。尽管现有的方法已取得优异的预测性能，但仍存在以下缺陷：

4、（1）许多方法倾向于构建异构网络进行预测，而不考虑不同模态网络不同模态网络对性能的影响。

5、（2）现有的微生物-疾病关联预测方法的样本数量有限，实体的信息不够充分，限制了模型的预测性能。

6、（3）现有的数据不平衡，也会导致预测偏差。

技术实现思路

1、为了解决上述背景技术中存在的至少一项技术问题，本发明提供一种基于多视图多模态和交叉注意网络的微生物-疾病关联预测方法。

2、为了达到以上目的，本发明主要包括四个模块，即微生物和疾病相似性数据处理模块、相似性特征融合模块、特征提取模块、以及关联预测模块。主要包括以下步骤：

3、（1）首先，在数据处理阶段，分别构建了微生物和疾病的三种相似性视图，分别是功能相似性、高斯相互作用剖面核（gip）相似性和余弦相似性。

4、（2）基于微生物和疾病的多种相似性，采用相似性网络融合（snf）和视图级的注意力机制分别进行相似性融合，获得微生物和疾病的综合相似性信息。

5、（3）基于融合后的微生物相似性和疾病相似性，构建微生物和疾病同构图，并采用图卷积网络（gcn）进行编码，学习微生物和疾病的嵌入特征；基于微生物和疾病异构图，采用基于共享权重的交叉注意网络（canet）进行编码，提取微生物和疾病的相互作用信息。

6、（4）基于学习到的特征信息，采用层级注意力机制对不同层的嵌入特征以及初始特征信息分配权重，获得最终的特征信息。

7、（5）将来自两个网络的微生物特征和疾病特征进行融合，利用内积解码器重构微生物-疾病关联矩阵。

技术特征：

1.本发明公开了一种基于多视图多模态和交叉注意网络的微生物-疾病关联预测方法，其特征在于，以下步骤：

2.根据权利要求1所述的基于多视图多模态和交叉注意网络的微生物-疾病关联预测方法，其特征在于，所述步骤1中：

3.根据权利要求1所述的基于多视图多模态和交叉注意网络的微生物-疾病关联预测方法，其特征在于，所述步骤2中：

4.根据权利要求1所述的基于多视图多模态和交叉注意网络的微生物-疾病关联预测方法，其特征在于，所述步骤3中：

5.根据权利要求1所述的基于多视图多模态和交叉注意网络的微生物-疾病关联预测方法，其特征在于，所述步骤4中：

6.根据权利要求1所述的结合多注意机制与多模态网络和交叉注意网络的方法，其特征在于，所述步骤5中：

技术总结
本发明公开一种基于多视图多模态和交叉注意网络的微生物‑疾病关联预测方法，所述方法包括：首先，构建了微生物和疾病的多种相似性视图；然后，利用相似性网络融合和视图级的注意机制将这些多视图特征融合在一起；由于同质和异质网络中的节点编码的结构信息不同，因此使用图卷积网络和具有共享权重的多头交叉注意网络分别提取微生物和疾病的特征；通过层级的注意力机制为学习到的嵌入特征以及初始特征自适应地分配权重，以生成微生物和疾病的最终特征表示；最后，使用内积解码器重建微生物‑疾病关联矩阵。该模型综合考虑了来自同构网络和异构网络中的节点信息，使学习到的特征更丰富，使预测结果更加准确。

技术研发人员：高英莲,王双,刘金星,焦翠娜,崔新春,刘宝民
受保护的技术使用者：曲阜师范大学
技术研发日：
技术公布日：2024/4/24