基于网络表示学习的人类长非编码 RNA-疾病关系预测研究

摘要

长非编码 RNA (lncRNA) 是一类长度超过 200 个核苷酸的非编码 RNA，在调节基因表达、细胞信号转导和疾病发生发展中发挥重要作用。近年来，lncRNA 与疾病关系预测研究受到越来越多的关注。本文针对人类 lncRNA-疾病关系预测问题，提出了一种基于网络表示学习的方法。

论文首先构建了人类 lncRNA-疾病关系网络，并采用多种网络表示学习方法进行关系预测，包括重启随机游走 RWR 方法、基于 Deepwalk 和 Node2vec 的网络表示学习方法。此外，论文还针对同质网络和异质网络分别提出了基于社区约束的同质网络表示学习方法和结合相似性网络的异质网络表示学习方法。

实验结果表明，本文提出的方法在人类 lncRNA-疾病关系预测方面取得了较好的效果。

关键词

网络表示学习, 长非编码 RNA, 疾病关系预测, 社区约束, 相似性网络

1. 绪论

1.1 课题背景及研究的目的和意义

长非编码 RNA (lncRNA) 是一类长度超过 200 个核苷酸的非编码 RNA，近年来被发现参与了多种生物学过程，包括基因表达调控、细胞信号转导和疾病发生发展。lncRNA 与疾病关系的研究对于理解疾病机制、开发新的疾病诊断和治疗方法具有重要意义。

目前，lncRNA-疾病关系预测的研究方法主要包括基于实验的方法和基于计算的方法。基于实验的方法需要进行大量的实验，成本较高，效率较低。而基于计算的方法利用计算机技术分析 lncRNA 和疾病的相关信息，可以有效地提高预测效率。

网络表示学习是一种将网络中的节点映射到低维向量空间的方法，能够有效地捕捉网络结构信息和节点之间的关系。近年来，网络表示学习在各种领域得到了广泛的应用，包括推荐系统、社交网络分析和生物信息学等。

本研究旨在利用网络表示学习方法，构建人类 lncRNA-疾病关系网络，并进行关系预测，为 lncRNA 与疾病关系的研究提供新的思路和方法。

1.2 国内外研究现状及分析

1.2.1 网络表示学习方法研究现状

网络表示学习方法主要分为两类：基于矩阵分解的方法和基于随机游走的方法。基于矩阵分解的方法，例如矩阵分解 (MF)、加权矩阵分解 (WMF) 等，通过将网络的邻接矩阵分解成两个低维矩阵来表示节点。基于随机游走的方法，例如 Deepwalk、Node2vec 等，通过模拟随机游走在网络上游走，学习节点的表示向量。

1.2.2 长非编码 RNA-疾病网络关系预测研究现状

近年来，许多研究者利用网络表示学习方法进行 lncRNA-疾病关系预测。例如，文献 [1] 利用 Deepwalk 方法学习 lncRNA 和疾病的表示向量，并进行关系预测。文献 [2] 利用 Node2vec 方法学习 lncRNA 和疾病的表示向量，并进行关系预测。

1.3 主要研究内容和组织结构

1.3.1 主要研究内容

本研究主要内容包括：

构建人类 lncRNA-疾病关系网络。
利用重启随机游走 RWR 方法、基于 Deepwalk 和 Node2vec 的网络表示学习方法进行关系预测。
提出基于社区约束的同质网络表示学习方法和结合相似性网络的异质网络表示学习方法。
对实验结果进行分析和讨论。

1.3.2 组织结构

本论文共分为五章：

第一章：绪论，介绍研究背景、目的和意义，以及国内外研究现状。
第二章：人类 lncRNA-疾病关系网络构建和关系预测方法，介绍了网络构建方法和几种常用的关系预测方法。
第三章：基于社区约束的同质网络表示学习方法，提出了一种结合模块度的社区发现算法和同质网络表示学习方法。
第四章：结合相似性网络的异质网络表示学习方法，提出了一种通过计算节点表示向量的距离来进行节点相似度计算的方法。
第五章：总结全文，展望未来研究方向。

2. 人类长非编码 RNA-疾病关系网络构建和关系预测

2.1 引言

本节将介绍人类 lncRNA-疾病关系网络的构建和关系预测方法。

2.2 人类长非编码 RNA-疾病关系网络构建

2.2.1 长非编码 RNA-疾病关联数据描述

本研究采用来自多个数据库的 lncRNA-疾病关联数据，包括 LncRNA2Disease、lncRNADisease、lncRNApath 等。

2.2.2 人类长非编码 RNA-疾病二分网络构建

基于 lncRNA-疾病关联数据，构建了人类 lncRNA-疾病二分网络。该网络中，节点分为两类：lncRNA 节点和疾病节点，边表示 lncRNA 和疾病之间的关联关系。

2.2.3 疾病相似性网络构建

根据疾病的临床特征、基因通路和药物治疗等信息，构建了疾病相似性网络。

2.2.4 人类长非编码 RNA 相似性网络构建

根据 lncRNA 的序列相似性、表达模式和功能相似性等信息，构建了人类 lncRNA 相似性网络。

2.2.5 关联关系异质网络构建

将 lncRNA-疾病二分网络、疾病相似性网络和 lncRNA 相似性网络整合在一起，构建了关联关系异质网络。该网络包含三种类型的节点：lncRNA 节点、疾病节点和相似性节点，以及三种类型的边：lncRNA-疾病边、疾病-相似性边和 lncRNA-相似性边。

2.2.6 关联关系异质网络性质分析

对构建的关联关系异质网络进行了性质分析，包括节点度分布、网络密度和平均路径长度等。

2.3 网络关系预测方法介绍

2.3.1 重启随机游走 RWR 方法的关系预测

重启随机游走 (RWR) 方法是一种常用的网络关系预测方法。该方法模拟随机游走者在网络上游走，并在一定概率下返回起始节点，通过计算每个节点的访问概率来预测节点之间的关系。

2.3.2 基于 Deepwalk 网络表示学习的关系预测

Deepwalk 是一种基于随机游走的网络表示学习方法。该方法通过模拟随机游走在网络上游走，学习节点的表示向量，并利用这些表示向量进行关系预测。

2.3.3 基于 Node2vec 网络表示学习的关系预测

Node2vec 是一种基于 Deepwalk 的改进方法，能够更好地捕捉节点之间的局部和全局结构信息。该方法通过学习节点的表示向量，并利用这些表示向量进行关系预测。

2.3.4 人类长非编码 RNA-疾病关联关系预测

利用上述三种方法对人类 lncRNA-疾病关联关系进行了预测。

2.4 本章小结

本章介绍了人类 lncRNA-疾病关系网络的构建和关系预测方法。首先，构建了人类 lncRNA-疾病关联关系异质网络。其次，介绍了三种常用的关系预测方法：RWR 方法、基于 Deepwalk 的网络表示学习方法和基于 Node2vec 的网络表示学习方法。最后，利用这三种方法对人类 lncRNA-疾病关联关系进行了预测。

3. 基于社区约束的同质网络表示学习方法

3.1 引言

本节将介绍一种基于社区约束的同质网络表示学习方法。

3.2 基于模块度的社区发现算法

社区发现算法旨在将网络中的节点划分为不同的社区，使得社区内部的节点连接紧密，社区之间的节点连接稀疏。模块度 (Modularity) 是一种常用的社区发现算法评价指标，能够有效地衡量社区结构的质量。

3.3 基于社区约束的同质网络表示学习

该方法结合了模块度的社区发现算法和同质网络表示学习方法。首先，利用模块度的社区发现算法对网络进行社区划分。然后，在进行网络表示学习时，加入社区约束，使得同一社区内的节点在低维向量空间中距离更近，不同社区内的节点在低维向量空间中距离更远。

3.4 实验分析

3.4.1 相似性网络的处理和社区发现

对 lncRNA 相似性网络和疾病相似性网络进行了处理，利用模块度的社区发现算法进行了社区划分。

3.4.2 实验结果评估方法

采用 AUC (Area Under Curve) 和 AUPR (Area Under Precision-Recall Curve) 等指标评估模型的性能。

3.4.3 组合阈值网络的关联预测分析

通过改变阈值，构建了一系列不同的组合阈值网络，并对这些网络进行关联预测分析。

3.4.4 社区约束的关联预测实验分析

对基于社区约束的同质网络表示学习方法进行了实验分析，并将结果与其他方法进行了比较。

3.5 本章小结

本章提出了一种基于社区约束的同质网络表示学习方法。该方法结合了模块度的社区发现算法和同质网络表示学习方法，有效地提升了关联预测的准确率。

4. 结合相似性网络的异质网络表示学习方法

4.1 引言

本节将介绍一种结合相似性网络的异质网络表示学习方法。

4.2 节点表示向量距离计算方法

介绍了节点表示向量距离计算方法，包括欧氏距离、曼哈顿距离和余弦距离等。

4.3 基于异质网络属性的表示学习

介绍了基于异质网络属性的表示学习方法，例如 metapath2vec 等。

4.4 结合相似性网络的异质网络表示学习

该方法将 lncRNA 相似性网络和疾病相似性网络整合到异质网络中，并利用相似性信息来改进节点表示学习方法。该方法通过计算节点表示向量的距离来进行节点相似度计算，并将相似度信息融入到网络表示学习模型中。

4.5 实验分析

4.5.1 异质网络关联预测实验分析

对基于异质网络属性的表示学习方法进行了实验分析，并将结果与其他方法进行了比较。

4.5.2 结合相似性网络的关联预测实验分析

对结合相似性网络的异质网络表示学习方法进行了实验分析，并将结果与其他方法进行了比较。

4.5.3 节点相似度计算实验结果分析

对节点相似度计算实验结果进行了分析，探讨了不同距离计算方法和相似性网络对结果的影响。

4.6 本章小结

本章提出了一种结合相似性网络的异质网络表示学习方法。该方法有效地利用了相似性信息，提升了关联预测的准确率。

5. 总结与展望

5.1 总结

本文针对人类 lncRNA-疾病关系预测问题，提出了一种基于网络表示学习的方法。论文首先构建了人类 lncRNA-疾病关系网络，并采用多种网络表示学习方法进行关系预测，包括重启随机游走 RWR 方法、基于 Deepwalk 和 Node2vec 的网络表示学习方法。此外，论文还针对同质网络和异质网络分别提出了基于社区约束的同质网络表示学习方法和结合相似性网络的异质网络表示学习方法。实验结果表明，本文提出的方法在人类 lncRNA-疾病关系预测方面取得了较好的效果。

5.2 展望

未来研究方向包括：

探索更有效的网络表示学习方法，进一步提升预测性能。
结合其他生物信息学数据，例如基因表达数据、蛋白质相互作用数据等，构建更复杂的网络模型，提高预测准确率。
将研究成果应用于实际问题，例如疾病诊断、药物研发等。

参考文献

[1] 文献 1 [2] 文献 2

致谢

感谢···

附录

附录 A：数据集

附录 B：代码

附录 C：实验结果

附录 D：其他相关信息