基于HeteSim的疾病关联长非编码RNA预测

越来越多的研究表明,长非编码 RNA(long non-coding RNA, lncRNA)在许多生物过程中具有重要的功能,而这些长非编码 RNA 的变异或功能失调会导致一些复杂疾病的发生.通过生物信息学方法预测潜在的长非编码 RNA-疾病关联关系,对于致病机理的探索以及疾病诊断、治疗、预后和预防都具有重要的意义.基于疾病基因关联关系的异质信息网络,研究者使用了一种相关性计算法方法——HeteSim来计算疾病基因之间的相关性,进而预测致病基因.使用的方法基于路径约束,具有可扩展性,算法效率高,留一交叉验证实验表明该方法的预测结果优于其他方法.将其应用在卵巢癌和胃癌的预测分析中,相关文献表明,所提方法的预测结果已被生物实验等验证,再次表明该方法的有效性.

基于不同搜索路径下成对随机游走的推荐算法

推荐系统中用户项目之间的交互及其他信息可以构成一个异构信息网络(HIN)。传统基于HIN的推荐算法往往直接构建用户项目间的异构信息网络,忽略了用户用户以及项目项目本身具有的相似性,所构建的网络不够完整,并且在计算节点关联性时鲜有考虑不同搜索路径下的不同关联性。为解决上述问题,提出一种考虑用户及项目本身相似性的HIN推荐算法。通过查找用户与项目之间更多的搜索路径,并考虑不同的搜索路径,引入深度学习中的随机游走(RW)来度量用户项目节点之间的关联度,从而实现更加精确的推荐。将所提算法在公开的MovieLens数据集上进行了实验,实验结果表明:相较于传统的协同过滤推荐算法以及基于HIN的推荐算法,基于不同搜索路径下成对随机游走的算法具有更高的推荐性能。