基于非负矩阵因式分解的疾病关联miRNA预测方法研究

摘要

随着微阵列技术和新一代测序技术等高通量技术的发展，产生了大量的生物学数据。而做为调控基因表达水平的重要因子之一，microRNA逐渐成为目前研究的重点和热点，由于已有研究表明microRNA对各种复杂疾病的产生具有十分密切的关系，因此对miRNA的分析具有十分重要的意义和价值。本文主要以与疾病相关的miRNA预测方法作为研究内容，分别给出了一种基于非负矩阵因式分解的分析方法和带稀疏约束项的改进方法，为预测与疾病相关的miRNA提供了新的途径。
　　本文主要完成了以下两个方面的工作:
　　(1)提出了一种新的基于非负矩阵因式分解的疾病关联miRNA预测方法NMF，该方法充分利用非负矩阵因式分解方法将多源数据整合到miRNA-disease关联关系的预测中，包括miRNA-gene数据、disease-gene数据、miRNA功能相似性数据、phenotype-disease数据和miRNA-disease数据，通过假设miRNA-gene和disease-gene数据间存在公共基矩阵，建立miRNA-disease之间的关联，并以miRNA功能相似性数据、phenotype-disease和已知的其他miRNA-disease作为算法迭代过程中的限制，引导算法快速收敛到结果。实验结果表明本文提出的方法在多个疾病数据集上的预测准确率都优于已有算法。
　　(2)对NMF算法进行改进，提出了一种稀疏的非负矩阵因式分解方法来预测miRNA-disease关联关系。通过对公共基矩阵和因子矩阵加入稀疏约束项，进一步减小了算法的搜索空间。利用与第三章相同的数据作为实验数据，并与NMF算法进行了比较。实验结果表明，相比于NMF算法，基于稀疏的非负矩阵因式分解算法能够在相同的疾病类型下取得的预测准确率更高。

目录

声明

摘要

第1章 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．3 本文的工作

1．4 本文结构

第2章 疾病关联miRNA预测方法

2．1 miRNA的产生和作用过程

2．2 常用的数据库资源

2．2．1 miRNA-disease数据

2．2．2 Gene-disease数据

2．2．3 miRNA-mRNA数据

2．2．4 disease-phenotype相似性数据

2．2．5 其他类型数据

2．3 疾病关联miRNA预测方法简述

2．3．2 基于相似性计算的方法

2．3．3 基于机器学习的预测方法

2．4 评价指标

2．5 小结

第3章 基于非负矩阵因式分解的预测方法

3．1 引言

3．2 NMF算法思想介绍

3．3 基于NMF的疾病关联miRNA预测方法研究

3．4 实验结果分析

3．4．1 数据来源

3．4．2 实验结果及分析

3．5 小结

第4章 基于稀疏的非负矩阵因式分解预测方法

4．1 引言

4．2 基于稀疏的非负矩阵因式分解预测miRNA-diease方法研究

4．3 实验结果及分析

4．4 小结

结论

参考文献

致谢