首页 > > 网络编程 > 其它 >

关于药物重定位（随机游走）论文学习

2018-06-18 02:59:22来源：未知阅读 ()

第一部分：英文单词记录

1、drug　　药物 2、repositioning　　重新布置，重新定位　　3、comprehensive　　综合　　4、Bi-random walk algorithm　　随机游走算法　　

5、motivation　　动机　　6、aims to　　以...为目标　　7、identity　　确定　　8、indication　　适应症　　9、existing　　目前的　　

10、promising　　有希望的　　11、alternative　　供选择的　　12、compromising　　计算的　　13、strategy　　策略　　14、proposed　　计划　　

15、current　　现在的　　16、property　　性能　　17、to calculate　　计算　　18、respectively　　各自地　　19、sociation　　基本群集　　

20、measures　　措施　　21、assumption　　假想　　22、associated　　联系　　23、and vice versa　　反之亦然　　24、utilizes　　利用　　25、potential　　可能　　26、feature　　特征　　27、to calculate　　计算　　28、interaction　　交互　　29、adopted　　接受

30、computational　　计算的　　31、experiment　　实验　　32、demonstrate　　证明　　33、approach　　方法　　34、reliable　　可靠地　　35、prediction　　语言　　36、performance　　性能　　37、outperform　　胜过　　38、recent　　近代的　　39、approaches　　处理　　

40、selected　　挑选　　41、confirm　　确认　　42、superior　　优秀的　　43、potential　　潜在的　　44、indication　　适应症

45、repositioning　　重新定位　　46、genomics　　基因体学　　47、consuming　　消耗　　48、risk/risky　　冒险　　49、tremendously　　惊人的　　50、continuously　　连续不断　　51、investment　　投资　　52、approved　　经...批准　　53、in light of　　根据　　54、discovery　　发现　　55、identify　　识别　　56、repurposing　　再利用　　57、attract　　吸引　　58、pharmaceutical　　药物　　59、candidate　　申请者

60、necessary　　必要的　　61、consequently　　因此　　62、repositioned　　复位　　63、generated　　产生　　64、revenue　　收入　　

65、patent　　专利　　66、holder　　持有人　　67、treatment　　治疗　　68、originally　　最初的　　69、intended　　打算

70、proposed　　提议　　71、predict　　预报　　72、direct　　直接的　　73、assumption　　假想的　　74、conduct　　管理

75、multiple　　多样的　　76、construct　　构造　　77、discrimination　　区别　　78、implement　　实施　　79、classification　　分类

80、heterogeneous　　不均匀的　　81、clustering　　收集　　82、unified　　统一　　83、framework　　框架　　84、iterative　　反复

85、prioritization　　优先化　　86、simultaneously　　同时的　　87、integrated　　完整的　　88、formulated　　配方制造

89、recommend　　推荐　　90、preferable　　更好的　　91、exploited　　利用　　92、adopt　　收养　　93、effective　　有效的

94、mechanism　　机制　　95、measure　　测量　　96、potential　　潜在的　　97、aspect　　方面　　98、previous　　早先的

99、interaction　　互动　　100、adjust　　调整　　101、analysis　　分析　　102、simultaneously　　同时的　　103、clustered　　聚合

104、demonstrated　　示范的　　105、evaluate　　估计　　106、referred　　参考　　107、procedure　　程序　　108、collect　　收集

109、heterogeneous　　异种的　　110、consisting　　包括　　111、standard　　标准　　112、obtain　　获得　　113、briefly　　短暂的

114、analyze　　分析　　115、various　　各种各样　　116、cluster　　群

第二部分：代码实现

　　1、随机游走过程

#_Author_:Monkey
#!/usr/bin/env python
#-*- coding:utf-8 -*-

from numpy import * #python 中矩阵处理函数
import numpy as np

# import scipy.io as scio #python 读取。mat文件
#
# AdataFile = 'data/DiDrAMat.mat'
# data = scio.loadmat(AdataFile)
# print(data)

def Normalize(data):
    total = 0.0
    for i in range(len(data)):
        #print(float(data[i]))
        total += float(data[i])
    #total = sum(data)
    return [float(i)/total for i in data]


#读出药物疾病相关性文件，进行归一化，并放着矩阵中
RD_data = [] #归一化后药物疾病相关矩阵
A = [] #原始药物疾病相关矩阵
Data = []
with open ("DiDrAMat.txt","r") as f:
    for fLine in f:
        row = [int(x) for x in fLine.split()]#读出文件，split默认按空格进行分割
        if(len(row) > 0):
            Data.append(row)
f.close()
Data = mat(Data).T  # 列表转为矩阵  A归一化的矩阵
A = Data  # 药物疾病相关性矩阵

np.savetxt("DiDrAMat593_313.txt",A )

with open ("DiDrAMat593_313.txt","r") as f:
    for fLine in f:
        row = [x for x in fLine.split()]#读出文件，split默认按空格进行分割
        if(len(row) > 0):
            row = Normalize(row)#调用归一化函数
            RD_data.append(row)
f.close()
RD_data = mat(RD_data)  # 列表转为矩阵  A归一化的矩阵

np.savetxt("归一化.txt",RD_data )




#读出药物相关性文件，存贮在矩阵中
MR_data = []
with open("DrugSimMat.txt","r") as f:
    for fLine in f:
        row = [float(x) for x in fLine.split()]
        if(len(row) > 0):
            MR_data.append(row)
MR_data = mat(MR_data)  #药物相关性矩阵
f.close()

#读出疾病相关性文件，存储在矩阵中
MD_data = []
with open("DiseaseSimMat.txt","r") as f:
    for fLine in f:
        row = [float(x) for x in fLine.split()]
        if(len(row) > 0):
            MD_data.append(row)
MD_data = mat(MD_data)  #疾病相关性矩阵
f.close()

print(RD_data.shape)
print(MR_data.shape)
print(MD_data.shape)
print(A.shape)

#随机游走算法
alpha = 0.3
for  i in range(10):
    rflag = 1
    lflag = 1
    Rr_data = np.dot(MR_data*0.3,RD_data) + 0.7 * A      #593*593  593*313   593*313
    Rd_data = np.dot(RD_data*0.3,MD_data) + 0.7 * A      #593*313  313*313   593*313
    RD_data = (rflag*Rr_data + lflag*Rd_data)/2

#将最终的RD_data 游走后的矩阵 写进文件保存
    np.savetxt("DiDrAMat_test.txt",RD_data)

　　2、ROC验证

#_Author_:Monkey
#!/usr/bin/env python
#-*- coding:utf-8 -*-

from numpy import * #python 中矩阵处理函数
import numpy as np

#采用生成器，test中读取一行，原数据读取一行，进行ROC处理分析，在读取下一行


Mat_data = []#原本的药物疾病相关矩阵
def Read_Mat(FileName):
    with open (FileName,"r") as fM:
        for fline in fM:
            row = [float(x) for x in fline.split()]
            if(len(row) > 0):
                yield
                Mat_data.append(row)





Test_data = []#测试的生成数据符合不符合要求

def Read_Txt(FileName):
    n =0
    c = Read_Mat("DiDrAMat593_313.txt")#生成一个生成器
    c.__next__()#执行到yield等待
    with open (FileName,"r") as f:
        for fline in f:
            row = [float(x) for x in fline.split()]
            if(len(row) > 0):
                Test_data.append(row)
                try:
                    n += 1
                    #c.send(Mat_data)
                    c.__next__()  # 执行到yield等待
                    #np.savetxt("Mat_data.txt", mat(Mat_data))
                except StopIteration as e:
                    print("出现异常",e.value)
                    break
                #np.savetxt("Test_data.txt", mat(Test_data))
                # sort_Data是排序后的列表，并保存了原来的ID
                sort_Data = sorted(enumerate(Test_data[n-1]),key = lambda x:x[1],reverse = True)
                #print(sort_Data)
                #计算Mat_data正列和，即TP+FN
                sum_TPFN = Mat_data[n-1].count(1)
                #print(sum_TPFN)
                #计算Mat_data反例和，即FP+TN
                sum_FPTN = len(Mat_data[n-1])-sum_TPFN
                #计算TPR和FPR的值,利用sort_Data的值和Mat_data得值计算
                TPR = 0.0
                FPR = 0.0
                # print(Mat_data[n-1])
                End_TPRdata = []  # 最终的列表,存储了每个点的TPR的值  纵坐标
                End_FPRdata = []  # 最终的列表,存储了每个点的FPR的值  横坐标
                #print(len(Mat_data[n-1]), Mat_data)
                for i in range(len(sort_Data)):
                    if(Mat_data[n-1][sort_Data[i][0]] == 1):
                        TPR += 1/sum_TPFN
                        End_TPRdata.append(TPR)
                        End_FPRdata.append(FPR)
                    else:
                       FPR += 1/sum_FPTN
                       End_TPRdata.append(TPR)
                       End_FPRdata.append(FPR)
                TPR_Data.append(End_TPRdata)
                FPR_Data.append(End_FPRdata)

TPR_Data = []
FPR_Data = []

Read_Txt("DiDrAMat_test.txt")   #593*313
# print(TPR_Data)
# print(FPR_Data)
np.savetxt("TPR_test.txt", mat(TPR_Data))
np.savetxt("FPR_test.txt", mat(FPR_Data))
np.savetxt("Mat_data.txt", mat(Mat_data))

#_Author_:Monkey
#!/usr/bin/env python
#-*- coding:utf-8 -*-
#读取文件，变为矩阵，求矩阵对应的每列的平均值
from numpy import * #python 中矩阵处理函数
import numpy as np
from pylab import *

TPR_Data = []
FPR_Data = []
with open ("TPR_test.txt","r") as f:
    for fLine in f:
        row = [float(x) for x in fLine.split()]
        if(len(row) > 0):
            TPR_Data.append(row)
with open ("FPR_test.txt","r") as f:
    for fLine in f:
        row = [float(x) for x in fLine.split()]
        if(len(row) > 0):
            FPR_Data.append(row)

MD_TPR = mat(TPR_Data)
MD_FPR = mat(FPR_Data)
np.savetxt("MD_FPR.txt", MD_FPR)



Y_TPR = []
Y_TPR.append( MD_TPR .sum(axis=0) / 593)
X_FPR = []
X_FPR.append(MD_FPR.sum(axis =0) / 593)
print(X_FPR[0].tolist()[0] )
print(Y_TPR[0].tolist()[0])


plot(X_FPR[0].tolist()[0],Y_TPR[0].tolist()[0],"r")
show()

　　3、效果图