本发明涉及医疗诊断领域，特别是涉及一种疾病靶点预测模型训练方法及系统。
背景技术：
1、近年来，人工智能技术被广泛应用于医疗诊断领域。研究方法是依据医疗数据特点进行建模，选择适合的算法，使用模型进行分析和预测。许多学者在疾病预测领域上展开了研究，例如赵思海通过分析遗传病因学可能存在的异质性，使用贝叶斯方法适应疾病靶点，建立了一个遗传风险预测模型，为遗传疾病的早期预警提供了一种新的思路。王振飞等人提出了一种自适应模块化的卷积神经网络模型，采用聚类方法预测心血管疾病，这种模型具有较高的预测准确率，可为临床医生提供更准确的诊断依据。白贺伊使用径向基函数网络，根据提取的关键特征，构建了一种基于数据挖掘理论的心血管疾病预警模型，该模型在疾病预防和管理方面具有重要的应用价值。陈洞天等人利用xgboost算法构建心血管模型，并对预测模型进行了可解释性分析，为机器学习模型的解释性和可理解性提供了重要的参考。
2、随着基因芯片技术的进步和测序成本的降低，产生了大量的生物数据，这不仅给生物数据挖掘的研究带来了机遇，同时也带来了巨大的挑战。目前已有的方法缺乏考虑基因之间的先验知识，即只使用基因的表达数据去建模，忽视了基因之间的相互关系。
3、在众多疾病中，基因遗传因素是诱发疾病的重要原因，例如心血管疾病，诱发心血管疾病的机理至今尚未完全阐明。
技术实现思路
1、为了解决现有技术中存在的问题，本发明提供了一种疾病靶点预测模型训练方法及系统，利用go信息构建基因的超图嵌入，提高基因的表征能力，以更好地对疾病进行预测。
2、为达到上述目的，本发明采用以下技术方案予以实现：
3、本发明第一个目的是提供一种疾病靶点预测模型训练方法，包括：
4、从数据库获取基因芯片的snp位点；
5、对基因芯片的snp位点进行特征初筛，经过特征初筛后，对一维基因序列进行独热编码，得到每个基因原始矩阵，形成样本数据；
6、将经过初筛后得到的样本数据划分为训练集和测试集，在训练集上利用基因芯片数据和go信息构建基因超图网络，基因超图网络进行拆分，以节点图网络对应基因，超边对应基因的生物通路，将样本数据中基因原始矩阵作为输入，输出预测疾病的连续值，训练得到超图嵌入模型，并在测试集上进行验证，得到疾病靶点预测模型。
7、作为本发明的进一步改进，所述基因芯片有不同长度的snp位点，疾病指标作为标签，snp位点共有四种编码值，分别为0，1，2和缺失值，缺失值用-1表示，疾病标签为连续值。
8、作为本发明的进一步改进，所述对基因芯片的snp位点进行特征初筛，包括：
9、将每个snp位点与标签作线性拟合，计算p值，将p值低于阈值的snp位点去除，得到特征初筛后的snp位点。
10、作为本发明的进一步改进，所述在训练集上利用基因芯片数据和go信息构建基因超图网络，基因超图网络进行拆分，节点图网络对应基因，超边对应基因的生物通路，将样本数据中基因原始矩阵作为输入，输出预测疾病的连续值，训练得到超图嵌入模型，包括：
11、将基因超图网络进行拆分，根据节点和超边的相互关系，转换为节点图网络和超边图网络，然后分别经过卷积层进行节点和超边的表征学习；
12、对于节点卷积层，采用图注意力网络进行学习；对于超边卷积层，使用图卷积网络进行学习；
13、经过卷积层，分别得到节点嵌入和超边嵌入，通过拼接得到基因的超图嵌入，将超图嵌入输入到前馈神经网络，输出预测疾病的连续值。
14、作为本发明的进一步改进，所述节点图网络对应基因是指节点图网络对应基因物理上的相互作用，单个基因相互作用一对一关系，用于编码低阶数据相关性；
15、所述超边对应基因的生物通路的相互作用是多个基因与多个基因相互作用，用于编码高阶数据相关性。
16、作为本发明的进一步改进，还包括模型验证步骤：
17、采用均方误差作为损失函数，使用适应性矩估计优化器对疾病靶点预测模型进行训练。
18、本发明第二个目的是提供一种疾病靶点预测方法，其特征在于，包括：
19、获取待分析的基因芯片的snp位点；
20、对取待分析的基因芯片的snp位点进行特征初筛，经过特征初筛后，对一维基因序列进行独热编码，得到每个取待分析的基因原始矩阵；
21、将每个取待分析的基因原始矩阵输入到权利要求1至6任一项所述的训练方法训练的疾病靶点预测模型中，输出疾病靶点预测结果。
22、本发明第三个目的是提供一种疾病靶点预测模型训练系统，包括：
23、位点获取模块，用于从数据库获取基因芯片的snp位点；
24、特征初筛模块，用于对基因芯片的snp位点进行特征初筛，经过特征初筛后，对一维基因序列进行独热编码，得到每个基因原始矩阵，形成样本数据；
25、模型训练模块，用于将经过初筛后得到的样本数据划分为训练集和测试集，在训练集上利用基因芯片数据和go信息构建基因超图网络，基因超图网络进行拆分，以节点图网络对应基因，超边对应基因的生物通路，将样本数据中基因原始矩阵作为输入，输出预测疾病的连续值，训练得到超图嵌入模型，并在测试集上进行验证，得到疾病靶点预测模型。
26、本发明第四个目的是提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述疾病靶点预测模型训练方法的步骤或所述疾病靶点预测方法的步骤。
27、本发明第五个目的是提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述疾病靶点预测模型训练方法的步骤或所述疾病靶点预测方法的步骤。
28、与现有技术相比，本发明具有以下有益效果：
29、本发明将经过初筛后得到的样本数据划分为训练集和测试集，在训练集上利用基因芯片数据和go信息构建基因超图网络，基因超图网络进行拆分，以节点图网络对应基因，超边对应基因的生物通路，将样本数据中基因原始矩阵作为输入，输出预测疾病的连续值，训练得到超图嵌入模型，并在测试集上进行验证，得到疾病靶点预测模型。利用go信息构建基因的超图嵌入，提高基因的表征能力，以更好地对疾病进行预测。
1.一种疾病靶点预测模型训练方法，其特征在于，包括：
2.根据权利要求1所述的训练方法，其特征在于，
3.根据权利要求1所述的训练方法，其特征在于，所述对基因芯片的snp位点进行特征初筛，包括：
4.根据权利要求1所述的训练方法，其特征在于，所述在训练集上利用基因芯片数据和go信息构建基因超图网络，基因超图网络进行拆分，节点图网络对应基因，超边对应基因的生物通路，将样本数据中基因原始矩阵作为输入，输出预测疾病的连续值，训练得到超图嵌入模型，包括：
5.根据权利要求1所述的训练方法，其特征在于，所述节点图网络对应基因是指节点图网络对应基因物理上的相互作用，单个基因相互作用一对一关系，用于编码低阶数据相关性；
6.根据权利要求1所述的训练方法，其特征在于，还包括模型验证步骤：
7.一种疾病靶点预测方法，其特征在于，包括：
8.一种疾病靶点预测模型训练系统，其特征在于，包括：
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-6任一项所述疾病靶点预测模型训练方法的步骤或权利要求7所述疾病靶点预测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6任一项所述疾病靶点预测模型训练方法的步骤或权利要求7所述疾病靶点预测方法的步骤。
