[发明专利]基于图神经网络的组学数据处理方法、装置、设备及介质

说明书

本申请实施例提供了一种基于图神经网络的组学数据处理方法、装置、设备及介质，涉及医疗、人工智能、云数据等技术领域。该方法包括：获取待处理的第一组学数据，第一组学数据包括至少两种第一组学特征；确定至少两种第一组学特征中不同组学特征之间的第一相关性；基于至少两种第一组学特征和各第一相关性，构建第一组学数据对应的第一图结构，第一图结构中的一个节点表征一种第一组学特征，第一图结构中的连边表征了连边的两个节点对应的第一相关性；基于第一图结构，通过图神经网络，得到第一图结构中的各节点的节点特征；基于各节点的节点特征，得到医学分析结果。在本申请中，节点特征能够体现各特征之间的相互关联，得到的结果更加准确。

技术领域

本申请涉及医疗、人工智能、云数据等技术领域，具体而言，本申请涉及一种基于图神经网络的组学数据处理方法、装置、设备及介质。

背景技术

人体在生命周期的不同阶段以及疾病发展的不同阶段，其基因表达和蛋白表达可能存在巨大的差异，因此组学(基因组学，转录组学，蛋白组学和代谢组学等)是系统地研究生物学规律的重要工具，同时因为组学也可反映出机体所处的生命周期阶段以及疾病发展情况，因此，组学数据在医疗中起到至关重要的作用。

目前，已有一些基于统计学方法和机器学习的方法将组学数据用于疾病的诊断、分型和预测。然而统计学方法的思想集中在分析差异蛋白，需要大量人工干预，并且无法得到明确的分类或分型边界线。而机器学习方法是通过筛选疾病相关的biomarkers(生物标志物)实现组学数据到临床表型的预测，但是，该方法基于单个的biomarker或者它们的随机组合开展后续分析，并未体现组学数据之间的级联调控机制，最终得到的预测结果的可解释性和预测精度上都有待提高。

发明内容

本申请的目的旨在提供一种能够体现组学数据之间的级联调控机制，提升预测结果精度的方法。

一方面，本申请实施例提供了一种基于图神经网络的组学数据处理方法，该方法包括：

获取待处理的第一组学数据，第一组学数据包括至少两种第一组学特征；

确定至少两种第一组学特征中不同组学特征之间的第一相关性；

基于至少两种第一组学特征和各第一相关性，构建第一组学数据对应的第一图结构，其中，第一图结构中的一个节点表征一种第一组学特征，第一图结构中的连边表征了连边的两个节点对应的第一相关性；

基于第一图结构，通过图神经网络，得到第一图结构中的各节点的节点特征；

基于各节点的节点特征，得到医学分析结果。

另一方面，本申请实施例提供了一种基于图神经网络的组学数据处理装置，该装置包括：

数据获取模块，用于获取待处理的第一组学数据，第一组学数据包括至少两种第一组学特征；

相关性确定模块，用于确定至少两种第一组学特征中不同组学特征之间的第一相关性；

图结构构建模块，用于基于至少两种第一组学特征和各第一相关性，构建第一组学数据对应的第一图结构，其中，第一图结构中的一个节点表征一种第一组学特征，第一图结构中的连边表征了连边的两个节点对应的第一相关性；

节点特征确定模块，用于基于第一图结构，通过图神经网络，得到第一图结构中的各节点的节点特征；

分析结果确定模块，用于基于各节点的节点特征，得到医学分析结果。

再一方面，本申请实施例提供了一种电子设备，包括处理器以及存储器：存储器被配置用于存储计算机程序，计算机程序在由处理器执行时，使得处理器执行上述中基于图神经网络的组学数据处理的方法。