A deep learning method for predicting metabolite–disease associations via graph neural network

目录

摘要

数据集

相似性计算

1、疾病综合相似性

（1）疾病语义相似性

（2）疾病高斯核相似性

2、代谢物高斯核相似性

GCNAT

代码和数据集

以往的方法及文献

---

摘要

       提出一种新的深度学习算法，名为图卷积网络与图注意力网络（GCNAT），用于预测疾病相关代谢物的潜在关联。首先，根据已知代谢物与疾病的关联，代谢物与代谢物的相似性以及疾病的相似性构建一个异构网络。代谢物和疾病特征通过图卷积神经网络进行编码和学习。然后，使用图注意层来组合多个卷积层的嵌入，并计算相应的注意系数，为每个层的嵌入分配不同的权重。然后，通过对最终合成嵌入信息进行解码和评分来获得预测结果。

数据集

      人类代谢组学数据库（Human Metabolomics Database,HMDB,http://hmdb.ca/)。从HMDB数据库获取代谢物与疾病的相关性，包括DOID与HMDB和关联信息。

      疾病MeSH描述符从美国国家医学图书馆MeSH数据库获取，（https://meshb.nim.nih.gov/）。

相似性计算

1、疾病综合相似性

（1）疾病语义相似性

用疾病的医学主题词表（MeSH）描述符来构建有向无环图（DAG），000 00

0

（2）疾病高斯核相似性

构建代谢物与疾病相关性的邻接矩阵作为输入 ，疾病间高斯核相似性网络GIPD公式：

2、代谢物高斯核相似性

与疾病类似。

GCNAT

使用疾病综合相似性矩阵NSD，代谢物高斯核相似性矩阵GIPM，代谢物与疾病相关性矩阵构建异构网络。作为GCN的输入。

代码和数据集

https://github.com/zhaoqi106/GCNAT

以往的方法及文献

1、随机漫步（RWR），采用重启随机漫步法。

Hu Y, Zhao T, Zhang N, et al. Identifying diseases-related metabolites using random walk. BMC Bioinform 2018;19(Suppl 5):116.

2、网络测量方法（KATZ），通过测量节点之间行走的次数和长度来预测代谢物与疾病的相关性。

Lei X, Zhang C. Predicting metabolite-disease associations based on KATZ model. BioData Min 2019;12:19.

3、网页排名算法（PageRank），通过计算相关性排序。

Yates EJ, Dixon LC. PageRank as a method to rank biomedical literature by importance. Source Code Biol Med 2015; 10:16.

4、DNN采用DNN结构，利用更多的训练数据改进学习过程。

Hinton GE, Salakhutdinov RRJS. Reducing the dimensionality of data with neural networks. SCIENCE 313(5786): 504–7.

5、EKRRMDA提出一种核岭回归方法来预测。

Peng LH, Zhou LQ, Chen X, et al. A computational study of potential miRNA-disease association inference based on ensemble learning and kernel ridge regression. Front Bioeng Biotechnol 2020;8:40.