推断疾病可能相关的mi RNA有助于了解疾病的发病诱因。目前存在的大多数方法着重于整合异质性mi RNA疾病网络,其中包含的mi RNA以及疾病的相似性和关联信息。微小RNA(mi RNA)是一类参与动植物基因调控的重要物质。多数疾病的诱发也是由于mi RNA的异常表达产生的,探索疾病可能相关的mi RNA可以帮助更准确的理解疾病的发病机制。多数新近的方法聚焦在整合mi RNA-疾病异构网络中含有的相似性及关联信息。然而,这些方法建立浅层的预测模型,无法捕捉mi RNA相似性,疾病相似性,mi RNA-疾病关联信息间复杂的联系。(1)基于矩阵分解和卷积神经网络的mi RNA-疾病关联预测方法本文提出了一个预测方法叫CNNMDA,基于传统网络表征学习(矩阵分解)和双路卷积神经网络的方法来预测疾病相关的mi RNA(disease mi RNAs)。CNNMDA深度整合了mi RNA相似性,疾病相似性,mi RNA-疾病关联以及mi RNA和疾病在低维特征空间中的表示。本文建立一个新的框架来学习一个mi RNA和疾病对原始和全局表示。首先,多种关于mi RNAs和疾病的生物前提被用来从生物视角建立左路的嵌入层。其次,由于mi RNA-疾病网络中的多种连接边,如相似性连接和关联连接,是相互依赖的,所以有必要面向整个网络学习mi RNA和疾病结点的全局表示。在网络表征学习过程中。mi RNA结点和疾病结点的邻居信息被充分整合以取得更准确的低维表示。右路首先基于矩阵分解学习得到各个mi RNA和疾病结点的低维特征表示,并依据这些表示建立该mi RNA-疾病对的相应嵌入层。最后通过卷积神经网络来分别捕获左路和右路所蕴含的复杂的,非线性的特征。结果表明,该方法具有正确预测mi RNA与疾病之间关联的高概率,并且与几种最先进的方法相比显示出优越的预测性能。肺癌,乳腺癌和胰腺癌的案例研究证明了其发现潜在疾病mi RNA的强大能力。(2)基于自动编码器和卷积神经网络的mi RNA与疾病关联预测方法原始通过矩阵分解的方法为传统的降维方法,通过迭代拟合原始的相似性和关联矩阵获得降维过后的特征信息,这种表征学习的方式很难捕捉mi RNA和疾病在低维特征下的非线性信息。由于这种传统的矩阵分解方法很难捕捉mi RNA和疾病中的非线性的特征信息,本文提出了一种深度网络表征学习的方法,通过自动编码器获得每个mi RNA和疾病的低维特征表示,其中自动编码器中的低维特征是通过对原始的mi RNA和疾病的特征进行卷积操作获得的,以此捕捉mi RNA-mi RNA,疾病-疾病之间的非线性特征信息,以此获得mi RNA和疾病全局表示。本文建立一个基于卷积神经网络的预测模型来学习一个mi RNA和疾病结点对的原始和全局表示。左侧部分依然是原始mi RNA-疾病结点对的嵌入,右侧部分则首先通过自动编码器分别获得mi RNA和疾病的低维特征表示,以获得mi RNA-疾病的低维特征结点对。最后通过卷积神经网络来分别捕获左路和右路所蕴含的复杂的,非线性的特征。最后通过对常见疾病的案例分析对预测结果进行确认。