近年来疾病相似度的研究在生物信息领域受到了大量的关注，在复杂疾病发病原理的理解、诊断、潜在疾病治疗药物的预测等任务中都起到重要作用。目前大多从基于本体计算疾病术语相似度和基于疾病相关基因计算疾病相似度两个角度考虑。基于本体计算疾病术语相似度是根据疾病对信息量最大的共同祖先的信息量来计算疾病术语相似度。目前基于疾病相关基因计算疾病相似度有两种方法，第一种是基于共同的疾病基因(BOG)，通过统计疾病之间的共同相关基因个数来获得疾病的相似度；另一种是基于过程相似性计算基因相似度从而得到疾病相似度。但以上计算疾病相似度的方法的准确率都不高。近年来疾病相似度的研究在生物信息领域，在复杂疾病发病原理的理解、诊断、潜在疾病治疗药物的预测等任务中都起到重要作用。基于网络表示学习的计算疾病相似度系统，涉及疾病相似度计算领域，特别涉及一种基于网络表示学习的计算疾病相似度系统，包括：信息融合模块：用于处理提取HumanNet信息、计算两个Go_term之间的相似度，测量基因之间的相似度；网络嵌入模块：用于将每个基因转化为向量形式；疾病相似度计算模块：基于基因的向量表示和疾病相关基因数据DisGeNET将疾病相关基因融合，得到疾病的向量表示，利用疾病向量表示度量疾病的相似性；基因与疾病预测模块：实现基于基因的向量表示，结合MLP模型，对基因与疾病之间的关系进行预测的功能；本发明用于提升计算疾病相似度的准确性。本发明提供的基于网络表示学习的计算疾病相似度系统，系统包含网络融合模块、网络嵌入模块、疾病相似度计算模块、基因与疾病预测模块。通过网络表示学习的方式各模块之间相互协作从而提升计算疾病相似度的准确性。基于网络表示学习的计算疾病相似度系统，适用于疾病相似度计算领域，通过网络表示学习的方法，解决计算疾病相似度的准确率不高的问题。

东北林业大学

该项目为储备库项目资源，暂无效益分析内容。