李政偉，李佳樹，尤著宏，聶 茹，趙 歡，鐘堂波

（1. 中國礦業(yè)大學(xué)礦山數(shù)字化教育部工程研究中心，江蘇徐州 221116；2. 中國礦業(yè)大學(xué)計算機科學(xué)與技術(shù)學(xué)院，江蘇徐州221116；3. 西北工業(yè)大學(xué)計算機學(xué)院，陜西西安 710129）

1 引言

MicroRNA（縮寫為miRNA）是一類小的、內(nèi)源性、非編碼單鏈RNA 分子，其長度大約為22 個核苷酸，在人類蛋白質(zhì)編碼基因的調(diào)控中起到關(guān)鍵作用［1］. 諸多研究分析顯示miRNA 在眾多生物進程中，例如細(xì)胞增殖、分化、凋亡、病毒感染等［2］，起著至關(guān)重要的作用.同時，miRNA 的突變或者異常表達(dá)往往會誘導(dǎo)多種人類復(fù)雜疾病的產(chǎn)生和演化［3］. 例如，通過單變量Cox 回歸分析發(fā)現(xiàn)，miR-155 和miR-150 的表達(dá)水平對淋巴瘤病人的無進展生存期（Progression-Free-Survival，PFS）有著重要影響［4］. 因此，識別miRNA 與疾病間的潛在關(guān)聯(lián)有助于醫(yī)療人員從分子角度理解疾病的病理機理，從而促進臨床診斷、治療和預(yù)后.

傳統(tǒng)的識別miRNA 與疾病間潛在關(guān)聯(lián)的生物學(xué)濕實驗方法主要有Northern 雜交［5］、逆轉(zhuǎn)錄聚合酶鏈反應(yīng)［6］、微陣列分析［7］等. 但是這些方法往往會受到環(huán)境影響，且需要大量的資金和時間投入，效率低下. 隨著計算機的存儲和運算能力的飛速發(fā)展，以及大量收集相關(guān)miRNA 和疾病信息的生物數(shù)據(jù)庫的建立，設(shè)計更加高效的計算方法，實現(xiàn)大規(guī)模、高置信度地預(yù)測miRNA 與疾病間的潛在關(guān)聯(lián)，逐漸受到科研人員的廣泛關(guān)注［8，9］.

啟發(fā)于深度學(xué)習(xí)理論在生物信息學(xué)領(lǐng)域的成功應(yīng)用［10，11］，本文提出一種基于異質(zhì)圖注意力網(wǎng)絡(luò)的端到端模型即HGATMDA（Heterogeneous Graph Attention Network for MiRNA-Disease Associations Prediction）來預(yù)測miRNA 與疾病間的潛在關(guān)聯(lián). 具體而言，首先將集成的miRNA 相似性信息、集成的疾病相似性信息以及經(jīng)實驗驗證的miRNA-疾病關(guān)聯(lián)整合進miRNA-疾病異質(zhì)圖中，并設(shè)計了頂點類型轉(zhuǎn)換矩陣將異質(zhì)的頂點特征投影至同一向量空間中；其次，采用多頭注意力機制聚合異質(zhì)鄰居頂點特征，并將聚合后的特征與中心頂點的屬性特征相融合，得到更具有表達(dá)能力的miRNA和疾病頂點的特征表示；之后，將miRNA-疾病對特征輸入至全連接層（Fully Connected Layer，F(xiàn)CL）中得出預(yù)測的概率；最后，根據(jù)預(yù)測的概率與標(biāo)簽間的損失對整個模型進行端到端的訓(xùn)練. HGATMDA 模型的流程圖如圖1所示.

圖1 基于異質(zhì)圖注意力網(wǎng)絡(luò)的miRNA-疾病關(guān)聯(lián)預(yù)測模型流程圖

2 材料及方法

2.1 人類miRNA-疾病關(guān)聯(lián)

本實驗從“https：//www.cuilab.cn/hmdd”下載了HMDD v2.0 和HMDD v3.0 數(shù)據(jù)集來對模型的預(yù)測效果進行驗證［12］. 如表1 所示，經(jīng)過數(shù)據(jù)預(yù)處理，HMDD v2.0 數(shù)據(jù)集中包含383 種疾病與495 種miRNA 間5 430條經(jīng)實驗證實的miRNA-疾病關(guān)聯(lián)，HMDD v3.0 數(shù)據(jù)集中包含850 種疾病與1 057 種miRNA 間32 226 條經(jīng)實驗證實的miRNA-疾病關(guān)聯(lián). 為了便于存儲，本實驗采用二值矩陣A(nd×nm)來表示miRNA與疾病間的關(guān)聯(lián)，其中nd 表示疾病數(shù)目，nm 表示miRNA 數(shù)目. 若疾病d(i)與miRNAm(j)有關(guān)聯(lián)，則二值矩陣A對應(yīng)位置的元素A(d(i),m(j))被賦值為1，否則為0.

表1 本文所用miRNA-疾病關(guān)聯(lián)信息

2.2 MiRNA功能相似性

基于表型相似的疾病可能與功能相似的miRNA發(fā)生關(guān)聯(lián)這一基本生物學(xué)假設(shè)，Wang 等人提出一種計算miRNA 功能相似性的模型［13］. 本實驗從“https：//www. cuilab.cn/files/images/cuilab/misim.zip”下載了miRNA 功能相似性數(shù)據(jù)，并構(gòu)建出長度為nm的方陣FSM來存儲miRNA的功能相似性.

2.3 疾病語義相似性

本實驗基于美國國家醫(yī)學(xué)圖書館的MeSH（Medi?cal Subject Headings）數(shù)據(jù)庫計算疾病的語義相似性［14］. 疾病間抽象出的數(shù)據(jù)結(jié)構(gòu)可以用有向無環(huán)圖（Directed Acyclic Graph，DAG）進行表示. 具體而言，采用DAG(d(i)) =(d(i),T(d(i)),E(d(i)))來描述疾病d(i)，其中，T(d(i))表示包含頂點d(i)自身及其祖先頂點的集合，E(d(i))表示包含從d(i)的祖先頂點到頂點d(i)的路徑上所有直連的邊的集合. 因此，疾病d(k)對d(i)的語義貢獻值計算如下：

式（1）中，Δ表示語義貢獻衰減因子，設(shè)置為0.5；C{d(k)}表示疾病d(k)的孩子頂點集合. 于是，疾病d(i)的語義值定義為

基于不同疾病間共享的DAG 部分越多，就具有更高的語義相似性這一假設(shè)（其中共享的DAG 部分指不同疾病頂點的祖先頂點的交集），疾病語義相似性矩陣DSSM1計算如下：

由于不同疾病在DAG 中出現(xiàn)的次數(shù)不盡相同，同一層DAG 中的疾病往往也會有不同的疾病語義貢獻值，因此，根據(jù)疾病在DAG 中出現(xiàn)的次數(shù)計算另一種疾病d(k)對d(i)的語義貢獻值的計算如下：

相應(yīng)地，第二種疾病d(i)的語義值以及疾病的語義相似性矩陣DSSM2計算如下：

整合上述兩種疾病語義相似性矩陣，計算最終的疾病語義相似性矩陣DSSM如下：

2.4 MiRNA與疾病的高斯相互作用譜核相似性

鑒于上述方法得出的miRNA 功能相似性矩陣以及疾病語義相似性矩陣具有稀疏性，本實驗引入高斯相互作用譜核相似性［15］來進一步完善miRNA 和疾病的相似性信息. 根據(jù)miRNAm(i)是否與每一種疾病發(fā)生關(guān)聯(lián)，構(gòu)建二值向量IP(m(i))表示miRNA 的相互作用譜.miRNA的高斯相互作用譜核相似性矩陣MGSM為

式（8）中，rm用以調(diào)控函數(shù)的帶寬，可通過規(guī)范化參數(shù)計算而得：

式（9）中，r'm設(shè)置為1. 同樣地，疾病的高斯相互作用譜核相似性矩陣DGSM可由下式計算：

其中，二值向量IP(d(i))表示疾病d(i)是否與每一種miRNA存在關(guān)聯(lián)，r'd設(shè)置為1.

2.5 MiRNA與疾病的集成相似性

本文將miRNA 與疾病的高斯相互作用譜核相似性矩陣整合進miRNA 的功能相似性矩陣和疾病的語義相似性矩陣中，從而得到集成的miRNA相似性矩陣IM與集成的疾病相似性矩陣ID.

2.6 MiRNA-疾病異質(zhì)圖

本文構(gòu)建了miRNA-疾病異質(zhì)圖，共包含兩類頂點（分別為miRNA 頂點與疾病頂點），以及一類邊（表示miRNA 與疾病間的關(guān)聯(lián)）. 其中，miRNA 頂點數(shù)目為nm，疾病頂點數(shù)目為nd，miRNA 與疾病間的關(guān)聯(lián)數(shù)目為2S. 由于HMDD 數(shù)據(jù)集中經(jīng)實驗證實的miRNA-疾病關(guān)聯(lián)數(shù)目遠(yuǎn)小于miRNA 與疾病間的未知關(guān)聯(lián)數(shù)目，因此，從所有的未知關(guān)聯(lián)中隨機選取S條miRNA-疾病關(guān)聯(lián)作為負(fù)樣本. 在miRNA 和疾病頂點間相應(yīng)地添加S條正邊與S條負(fù)邊，并將miRNA 的集成相似性信息賦給miRNAm(i)頂點，作為其屬性特征Fm(i)，即

2.7 異質(zhì)圖注意力網(wǎng)絡(luò)

由于miRNA-疾病異質(zhì)圖中的miRNA 頂點和疾病頂點分別處于不同的特征空間中，對于每一種類型的頂點（例如類型為Φi的頂點），本實驗設(shè)計了頂點類型轉(zhuǎn)換矩陣WΦi將miRNA 頂點和疾病頂點投影到同一向量空間中進行計算，即

式（6）中，F(xiàn)i和Hi分別表示頂點i的初始屬性特征和投影后的屬性特征；WΦi表示針對類型為Φi的頂點的投影矩陣，該矩陣可將不同向量空間的頂點投影至D維的向量空間中. 因此，miRNA頂點和疾病頂點可處在同一個向量空間中進行后續(xù)計算. 由于異質(zhì)鄰居頂點對中心頂點存在不同程度的影響，本實驗采用多頭注意力機制［16，17］聚合異質(zhì)頂點的鄰域信息，并將其與中心頂點的屬性信息進行融合，從而得到包含異質(zhì)圖結(jié)構(gòu)與頂點屬性信息的miRNA 和疾病的有效特征嵌入. 首先計算中心頂點i與其鄰居頂點j之間的注意力分?jǐn)?shù)eij：

式（17）中，LeakyReLU 為非線性激活函數(shù)（負(fù)輸入斜率為0.2）. 僅計算頂點j?Ni的注意力分?jǐn)?shù)eij，其中，Ni表示頂點i的一階異質(zhì)鄰居頂點集合. 采用softmax 函數(shù)規(guī)范化注意力分?jǐn)?shù)eij，并計算出注意力權(quán)重系數(shù)αij，即

再根據(jù)頂點i的投影特征和注意力權(quán)重系數(shù)計算出頂點i的異質(zhì)鄰居聚合特征H'i，即

式（19）中，σ(?)表示ELU 激活函數(shù). 為了使模型學(xué)習(xí)到的特征嵌入更加穩(wěn)定，按照上述公式獨立計算K次，并將每次計算的結(jié)果拼接起來作為頂點i最終的異質(zhì)鄰居聚合特征H'i，即

上述過程僅聚合了異質(zhì)鄰居特征，卻忽略了中心頂點特征，因此將異質(zhì)鄰居聚合特征H'i與中心頂點特征Fi拼接，并通過全連接層進行特征融合，表示為

式（21）中，g(?)表示輸出維度為64的全連接層，⊕表示特征拼接操作. 最終分別獲得64維度的miRNA 嵌入特征Zm和64維度的疾病嵌入特征Zd.

2.8 目標(biāo)優(yōu)化

為了獲得miRNAm(i)與疾病d(j)間關(guān)聯(lián)的預(yù)測概率，將上述得到的miRNA 和疾病嵌入特征拼接，并通過全連接層生成預(yù)測概率，即

式（22）中，f(?)表示輸入維度為128，輸出維度為1 的全連接層；sigmoid(?)表示非線性激活函數(shù).

本文采用交叉熵?fù)p失計算模型的預(yù)測值與標(biāo)簽間的損失，表示為

式（23）中，yij表示miRNAm(i)與疾病d(j)間的關(guān)聯(lián)標(biāo)簽；Y和Y-分別表示正樣本和負(fù)樣本對應(yīng)的頂點集. 最后，采用反向傳播算法對整個模型進行端到端的訓(xùn)練.

3 實驗結(jié)果與分析

3.1 實現(xiàn)細(xì)節(jié)

本實驗基于深度圖庫（Deep Graph Library，DGL）［18］實現(xiàn)，后端采用PyTorch 框架，并采用Adam 作為模型的優(yōu)化器. 經(jīng)過網(wǎng)格搜索，設(shè)置學(xué)習(xí)率（Learning Rate）為0.0001，權(quán)重衰減（Weight Decay）為5×10-3. 為了防止過擬合，設(shè)置丟棄率（Dropout）為0.6. 為了保持較高的計算效率，設(shè)置多頭注意力頭數(shù)K為8，投影向量維度D為64. 為了充分訓(xùn)練模型的參數(shù)，訓(xùn)練批次（Epochs）設(shè)置為1 000.

3.2 評價指標(biāo)

本文采用準(zhǔn)確率（Accuracy）、精確率（Precision）、召回率（Recall）以及F1 值（F1-score）作為模型的評價指標(biāo)，具體計算公式如下：

式（24）～（27）中，TP，TN，F(xiàn)P，F(xiàn)N 分別表示真正例數(shù)、真負(fù)例數(shù)、假正例數(shù)和假負(fù)例數(shù). 此外，本文還繪制了受試者工作特征（Receiver Operating Characteristic，ROC）曲線以及精確率-召回率（Precision-Recall，P-R）曲線來直觀地顯示模型的預(yù)測能力，并分別計算了ROC 曲線下面積（Area Under the Curve，AUC）以及P-R 曲線下面積（Average Precision，AP）來綜合評估模型的預(yù)測能力.

3.3 模型預(yù)測能力評估

本實驗采用5 折交叉驗證法（5-fold crossvalidation）對模型的預(yù)測能力進行評估. 本文所提模型在HMDD v2.0數(shù)據(jù)集上的預(yù)測結(jié)果如表2所示，取得了86.14%的準(zhǔn)確率、86.10%的精確率、86.25%的召回率以及86.15%的F1 值. 所提模型在HMDD v3.0 數(shù)據(jù)集上的預(yù)測結(jié)果如表3 所示，取得了87.85%的準(zhǔn)確率、88.02%的精確率、87.64%的召回率以及87.83%的F1值. 所提模型的5 折交叉驗證ROC 曲線和P-R 曲線如圖2 所示，該模型在HMDD v2.0 數(shù)據(jù)集上取得了93.52%的AUC 值和93.15%的AP 值，在HMDD v3.0 數(shù)據(jù)集上取得了94.82%的AUC 值和94.66%的AP 值. 由于HMDD v3.0 數(shù)據(jù)集中包含了更多的樣本數(shù)量，且深度學(xué)習(xí)模型在更大的數(shù)據(jù)集上一般體現(xiàn)出更優(yōu)的擬合效果，相較于HMDD v2.0 數(shù)據(jù)集，所提模型在HMDD v3.0數(shù)據(jù)集上關(guān)于6項評價指標(biāo)均表現(xiàn)出更高的值. 為方便后續(xù)對比實驗的展開，接下來的實驗均采用HMDD v2.0數(shù)據(jù)集為基準(zhǔn)數(shù)據(jù)集.

圖2 所提模型基于5折交叉驗證的實驗結(jié)果圖

表2 所提模型基于5折交叉驗證在HMDD v2.0數(shù)據(jù)集上的實驗結(jié)果

表3 所提模型基于5折交叉驗證在HMDD v3.0數(shù)據(jù)集上的實驗結(jié)果

3.4 特征融合的影響

本實驗將中心頂點特征與其鄰居聚合特征相融合作為最終的miRNA 和疾病的特征. 為了對比這種融合方式對模型預(yù)測能力的影響，本實驗分別設(shè)計了只采用中心頂點特征的模型和只采用異質(zhì)鄰居聚合特征的模型，最終的對比結(jié)果如表4 所示. 從表中可以看出，本文所提模型在這三個模型中取得了最高的準(zhǔn)確率、精確率、F1值、AUC 值以及AP值；盡管只采用鄰居聚合特征的模型取得了最高的召回率，但其在其他5項指標(biāo)上均遠(yuǎn)低于本文所提模型. 本文所提模型以多頭注意力機制形式從多個角度探索miRNA-疾病異質(zhì)圖中異質(zhì)頂點間復(fù)雜的交互信息，生成涵蓋異質(zhì)圖結(jié)構(gòu)及頂點屬性信息的嵌入特征，進一步加強miRNA 和疾病特征的表達(dá)能力，提高模型的預(yù)測能力.

表4 所提模型與未進行特征融合的模型的對比實驗結(jié)果

3.5 與其他方法的比較

為了進一步驗證本文所提模型的有效性，將其與WBSMDA［19］，BNPMDA［20］，KBMFMDA［21］，WBNPMD［22］，M2GMDA［23］，KNMBP［24］，MCLPMDA［25］等7個模型基于5折交叉驗證的平均AUC 值進行比較，此外，還對比了不同注意力頭數(shù)K對所提模型AUC值的影響，詳細(xì)的對比結(jié)果如表5 所示. 從表中可以看出，適當(dāng)增加注意力的頭數(shù)可以提高模型的預(yù)測能力，但過多的注意力頭數(shù)反而會對模型預(yù)測能力起反作用. 最終，本文選擇的注意力頭數(shù)K=8，其對應(yīng)的AUC值為93.52%，在所有8個模型中最高.

表5 所提模型與其他方法的AUC值的對比結(jié)果

3.6 病例研究

為了進一步評估本文所提模型在預(yù)測特定疾病潛在的相關(guān)miRNA 方面的性能，本文針對食管腫瘤疾病開展了病例研究. 首先采用HMDD v2.0 數(shù)據(jù)集對模型進行訓(xùn)練，然后預(yù)測與食管腫瘤有潛在相關(guān)的前50 種miRNA，最后通過dbDEMC［26］和miR2Disease［27］數(shù)據(jù)庫進行驗證.

食管腫瘤是一種發(fā)生在食管組織中的惡性腫瘤，全球范圍內(nèi)每年大約會有30 萬人死于食管腫瘤. 本文選擇食管腫瘤作為病例研究對象. 實驗驗證結(jié)果如表6所示，通過在dbDEMC 和miR2Disease 兩個數(shù)據(jù)庫中進行核實，模型預(yù)測的前25 個miRNA 中有24 個被證實，前50 個miRNA 中有48 個被證實. 因此，本文所提出的模型能有效預(yù)測出潛在的疾病相關(guān)miRNA，可作為一種便捷的工具指引研究人員開展相關(guān)具體的生物實驗研究.

表6 所提模型預(yù)測出的前50個與食管腫瘤有關(guān)聯(lián)的miRNA

4 結(jié)論

本文提出了一種基于異質(zhì)圖注意力網(wǎng)絡(luò)的端到端計算模型（HGATMDA）預(yù)測潛在的miRNA 與疾病間的關(guān)聯(lián). 該模型首先將miRNA 和疾病間的多重相似性信息建模為異質(zhì)圖，并設(shè)計了頂點類型的轉(zhuǎn)換矩陣將異質(zhì)的頂點特征投影至同一向量空間中；然后采用多頭注意力機制聚合中心頂點的異質(zhì)鄰居特征，并將其與中心頂點的特征進行有效融合，得到更具有表達(dá)能力的miRNA 和疾病特征嵌入；最后，將得到的miRNA 和疾病特征嵌入輸入至全連接層中對潛在的miRNA 與疾病間關(guān)聯(lián)進行預(yù)測.5 折交叉驗證的結(jié)果表明，本文所提模型在多項評價指標(biāo)上均取得了較為滿意的結(jié)果.與未進行特征融合的模型的對比發(fā)現(xiàn)，本文所提模型的特征融合策略能夠有效提升模型的預(yù)測性能. 此外，對食管腫瘤的病例研究結(jié)果也顯示出所提模型具有良好的預(yù)測能力. 上述實驗結(jié)果均表明，本文提出的計算模型可作為預(yù)測miRNA 與疾病間潛在關(guān)聯(lián)的可靠工具. 在接下來的研究中，將嘗試在模型中嵌入更多的多源信息，如miRNA 序列信息、靶基因信息等，以期進一步提升模型的預(yù)測性能.