具体实施方式

本发明技术方案具体实施时可由本领域技术人员采用计算机软件技术运行。结合附图，提供本发明实施例具体描述如下：

步骤1，从相关的生物信息论文，权威的生物信息网站(NCBI)，获取病毒宿主的已知关联。

步骤2，基于基因组寡核苷酸频率的差异方法来推断基因组序列之间的关系。本发明使用JS、Hao、Teeling计算每一对病毒与病毒(每一对宿主与宿主)的基因组寡核苷酸频率向量的距离，度量每一对病毒与病毒(每一对宿主与宿主)的相似度。

由式(1)定义：

由式(2)定义：

假设存在两个序列A＝A₁A₂...A_n和B＝B₁B₂...B_m，是由一个长度为d的有限字母表Λ中的字母组成的，对于a∈Λ,让p_a表示字母a出现的概率。对于w＝(w₁，...，w_k)∈Λ^k,让计算w在A出现的次数，与之相似，Y_w计算w在B出现的次数，在这里同样如果X和Y是独立的均值零正态，则X有方差Y有方差 同样是正态的，有方差对于w＝w₁，...，w_k，表示w出现的概率，集中的计数变量表示为(34)，其中

另一个计数变量(35)，其中为未观测的字母概率，即两个序列串联中字母的相对计数。字母a在两个序列连接中的相对数量，这两个序列是相互独立的，并且都是由同一分布中的独立字母产生的，然后使用估计w＝w₁，...，w_k出现的概率。

Hao由式(3)定义：

两个序列A＝A₁A₂...A_n和B＝B₁B₂...B_m按字符转换成合成向量A＝(a₁，a₂，...，a_N)和B＝(b₁,b₂,...,b_N)，其中N∈[1，4^k]，A和B之间的相关性C(A，B)，为N维空间中两个代表向量夹角的余弦函数:

Teeling由式(5)(6)(7)及皮尔逊相关系数得到：

一个序列的四核苷酸的观测频率表示为N(n₁n₂n₃n₄)，相应的期望的频率通过最大阶马尔科夫模型来计算：

其方差为：

使用Z分数评估过高或过低表示水平的显著性，即观察到的频率与预期频率之间的差异

如果两个基因组片段A和B表现相似的四核苷酸过量和不足模式的问题，可以通过计算其Z分数的皮尔逊相关系数来解决。

JS散度(Jensen-Shannon divergence)由式(8)定义

给定一个S包含N个基因的序列S在马尔科夫模型下的对数似然为

λ(S)＝∑n(b₁...b_kb)logP(b|b₁..b_k) (42)

使用JS散度衡量两个序列S₁和S₂概率分布P＝λ(S₁)，Q＝λ(S₂)，JS散度是KL散度的变形，KL散度(Kullback–Leibler divergence)定义如下：

除此以外，本论文通过已知的病毒与宿主的关联矩阵来计算病毒与病毒(宿主与宿主)之间的高斯核相互作用谱(GIP)。高斯核相互作用谱是目前使用较多的从病毒与宿主关联网络中提取相似度信息的方法。高斯核相互作用谱的计算过程主要包括两个步骤。首先，病毒v_i的相互作用谱IP(v_i)是编码病毒v_i与已知的病毒-宿主网络中的每个宿主之间存在或不存在关联的二进制向量。其次，病毒v_i和病毒v_j之间的高斯核相似性是根据它们的相互作用计算的，并定义如下：

S^v(v_i，v_j)＝exp(-γ_v||IP(v_i)-IP(v_j)||²) (44)

其参数γ_v表示核带宽，一个新的核带宽参数定义为：

N_h是宿主的数量，根据先前的研究，r′_v设置为1。类似的宿主h_i和宿主h_j之间的高斯核相似性定义为：

S^h(h_i，h_j)＝exp(-γ_h||IP(h_i)-IP(h_j)||²) (46)

其核带宽参数定义为：

其中N_v是病毒的数量，r′_h设置为1。

步骤3，本发明使用相似网络融合算法(SNF)，以病毒相似性网络为例，病毒相似性网络的边权重分别用一个的N_v×N_v的矩阵S^v表示，然后对于每个相似性网络可通过以下公式得到一个归一化的权重矩阵P，由式(15)定义：

在公式(48)中，S(i,j)是S^v的矩阵元素，其中i和j代表矩阵的行号和列号。然后使用K-近邻(KNN)度量局部关系，由式(16)定义：

在公式(49)中，N_i表示病毒的邻居数，病毒的邻居数是预定义的，根据相似矩阵可以计算每个元素与其他元素的距离，根据距离的远近度量元素之间的相似度(距离的远近)，本文从中选择前K个元素，即为该元素的邻居数。本文N_i的取值为5，该方法过滤掉了低相似度的边。

由公式(48)得到的P^(v)和由公式(49)得到的KNN^(v)。在公式(48)中，P_i，j是第i个病毒与其他所有病毒的相似性，而在公式(49)中KNN(i，j)是第i个病毒与其邻近病毒的相似度。在SNF算法中，总是把P_i，j作为初始状态，而KNN(i，j)作为核心矩阵在捕获局部结构和计算效率的两种容量的融合过程中。SNF的过程是迭代更新相似度矩阵，由式(17)定义：

其中，p^(k)是第t步的相似矩阵初始值为P_i，j，P^(v)是第t+1步的相似矩阵，公式(50)每次在m个病毒网络上生成m个并行交换扩散过程时更新矩阵P^(v)。

然后SNF使用K-近邻(KNN)方法度量局部关系过滤低相似的边，经过多次迭代最终获得一个矩阵。通过SNF融合得到的病毒相似性矩阵和宿主相似性矩阵

步骤4，由步骤3得到病毒融合相似性矩阵和宿主融合相似性矩阵和由步骤1得到的病毒与宿主的已知关联构成异构网络G₁。

步骤5，本发明使用node2vec的算法框架，对由步骤1得到的病毒宿主已知关联构建出的病毒宿主的异构网络G进行表征学习，该异构网络G仅包含已知病毒和宿主的关联，而不使用病毒与病毒相似网络和宿主与宿主相似网络。node2vec引入两个超参数p和q来控制随机游走的策略，假设当前随机游走经过边(t，v)到达顶点v，设π_vx＝α_pq(t，x)·w_vx，π_vx是顶点v和顶点x之间的未归一化转移概率，w_vx是顶点v和顶点x的边权，路径采样策略α_pq(t，x)具体定义如下：

在公式(51)中，d_tx为顶点t和顶点x之间的最短路径距离，由公式(51)可以获得节点邻近集合。

设f(u)将节点u映射到低维向量的映射函数，对于图中任意一个节点u，定义N_s(u)为通过公式(51)采样出的节点u的邻近点集合，由式(19)得到使其邻近点出现的概率最大的f(u)：

根据以下两个假设条件

(1)条件独立，假设给定源顶点下，其近邻顶点n_i出现的概率与近邻集合中其余顶点无关；

(2)特征空间对称性，这里是说一个顶点作为源顶点和作为近邻顶点的时候共享同一套嵌入向量；

将式(52)优化为最终的目标函数式(22)：

在式(55)中，由于归一化因子计算代价高，采用负采样技术优化。

通过求这个最终的目标函数式(55)最大值的情况下，得到f(u)的函数形式，从而得到每个节点的特征向量。

步骤6，计算由步骤5得到每个病毒(每个宿主)的特征向量和其他病毒(其他宿主)的特征向量的余弦相似度，进而构建病毒余弦相似矩阵和宿主余弦相似矩阵

步骤7，由步骤6得到病毒余弦相似矩阵和宿主余弦相似矩阵和由步骤1已知病毒宿主关联构建异构网络G₂。

步骤8，对于由步骤4和由步骤7得到的两个异构加权图G₁和G₂被用来提取基于图的特征。每个图的每个病毒-宿主对之间的多个路径得分被用来反映这些特征。对于每个病毒宿主对的每个简单路径，从源节点(即宿主节点)开始，到目标节点(即病毒节点)结束，使用路径得分来计算，即使用以下公式(23)：

在公式(56)中，P＝{p₁，p₂，...，p_n}是连接宿主节点h_i和病毒节点v_j的路径集合，P_weights为节点间的权值。路径得分是每个路径结构中从开始的宿主节点到结束的病毒节点的所有边权重得分的乘积。为了减少计算量，本发明将路径长度限制为小于或等于3，即存在6种路径结构Path＝{path1，path2，path3，path4，path5，path6}，每个节点从宿主节点开始，以一个病毒节点结束，path1:(H-H-V)，path2:(H-V-V)，path3:(H-H-H-V)，path4:(H-H-V-V)，path5:(H-V-V-V)，path6:(H-V-H-V)，我们对每种路径结构的两个特征进行了挖掘，

(1)每个路径结构的所有元路径得分之和：

(2)每个路径结构下所有元路径得分的最高分：

元路径是指具有相同路径结构的所有路径，元路径得分是路径结构中从起点宿主节点到终点病毒节点的所有边权重的乘积。ASP表示一对病毒v_j和宿主h_i之间的元路径。为了确保较长的路径在我们的方法中不处于不利地位，每个(最大或总和)路径得分都是单独计算的，其中每个得分都考虑到属于特定路径结构的所有路径集。因此，来自不同路径结构的分数不会在一个特征中混在一起。此外，分数还使用最小最大归一化来进一步归一化，以确保特征被分类器平等对待。

步骤9，由步骤8可对每一对病毒与宿主和每个构建的异构图提取12个特征，这些特征被组合成一个24维的特征向量。本发明的准确性依赖于数据集的基本特征。在进行了经验分析和许多实验后，确定了该分类任务最相关的特征集合。在分析性能时，需要去除一个或多个特征的组合。因此，在应用特征选择后，根据数据集，输入预测模型的特征向量的维度从24个减少到16个。

步骤10，本发明使用的是已知的表现较好的机器学习分类模型Adaboost，Adaboost根据m个弱分类器对样例数据的分类效果的好坏，赋予不同的弱分类器不同的权值并将其组合成一个强分类器，Adaboost的算法流程：

(1)给定一个二分类数据集T＝{(x₁，y₁)，(x₂，y₂)，...，(x_N，y_N)}，x代表输入样例，y代表样例所属的类别空间，初始化训练数据的权值分布：

对于M个分类器G_m(x)：x→{0，1}，m∈(1，M)，分别使用带权值分布的数据进行训练；

(2)计算弱分类器G_m(x)上的分类错误率：

计算G_m(x)的系数：

更新训练数据的权值分布：

D_m+1＝(w_m+1，1，...，w_m+1，j，...，w_m+1，N) (62)

其中，G_m(x_i)代表弱分类器对样例数据进行分类的结果；

(3)构建基分类器的线性组合：

最终的分类器：

为验证本发明方法有效性，在多个数据集上做了对比实验。本实验使用了四个数据集，数据集来自论文、权威的生物信息网站，这些数据集的信息如下表(表1)所示：

表1四个数据集的基本信息

并与其他的五个关联预测的方法进行比较：

■ILMF-VH，基于多信息矩阵融合的病毒与宿主关联预测。病毒相似性网络基于寡核苷酸频率(ONF)度量构建,并通过相似性网络融合(SNF)整合宿主的寡核苷酸频率相似性和高斯相互作用谱(GIP)核相似性从而构建宿主相似性网络。然后在病毒与宿主的异构网络上执行领域正则化逻辑矩阵分解算法来预测病毒宿主关联；

■层注意图卷积网络(LAGCN)将已知的病毒与宿主关联，病毒-病毒相似度，宿主-宿主相似度整合成异构网络，并将图卷积应用在异构网络上，学习病毒与宿主的嵌入。其次，LAGCN利用注意力机制结合多个图卷积层的嵌入。在预测病毒-宿主关联取得良好的效果；

■NetLapRLS，在合并的已知病毒宿主相互作用网络上，采用半监督学习方法正则最小二乘法，分别对病毒和宿主领域进行训练，然后结合在一起，得到最终的预测结果；

■BLM-NII，基于邻居的交互配置文件推断(NII)，并将其集成到有监督学习方法，二分局部模型(BLM)方法中，以处理新的关联问题。具体来说，推断的交互关系被视为标签信息，并用于新候选对象的模型学习；

■CMF，该模型将病毒和宿主投射到一个共同的低等级特征空间中，通过两个低秩矩阵协作预测病毒-宿主相互作用。

本发明采用的评估指标为AUC和AUPR，即接受者操作特征(ROC)曲线下的面积(AUC)，以及精确-召回曲线下的面积(AUPR)，实验结果如下表(表2)所示：

表2本发明与其他方法在四个数据集的实验结果对比

本发明在数据集DatasetⅣ上预测出前十个的关联如下表(表3)所示：

表3本发明预测的前十的关联

本文基于一种基于网络融合与图嵌入的病毒-宿主关联预测方法的精度均显著优于现有的几种常用方法，证明了本文方法的优越性。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。