SSCLMD项目复现指南

本指南提供了复现SSCLMD（Self-supervised Contrastive Learning on Attribute and Topology Graphs for Predicting Relationships Among lncRNAs, miRNAs and Diseases）项目的详细步骤。

1. 环境配置

1.1 Python环境

SSCLMD项目需要Python 3.7+版本，建议使用Anaconda或Miniconda创建虚拟环境：

# 创建虚拟环境
conda create -n ssclmd python=3.7
# 激活环境
conda activate ssclmd

1.2 安装依赖

项目依赖以下Python库：

# 安装PyTorch（版本2.0.0，CUDA 11.8）
pip install torch==2.0.0 torchvision==0.15.0 torchaudio==2.0.0 --index-url https://download.pytorch.org/whl/cu118

# 安装PyTorch Geometric
pip install torch-geometric==2.3.0

# 安装其他依赖
pip install numpy==1.21.1 scikit-learn==0.24.1 scipy matplotlib

2. 数据准备

2.1 解压数据集

项目包含两个压缩的数据集，需要先解压：

# 解压数据集
cd SSCLMD-main/data
unrar x dataset1.rar
unrar x dataset2.rar

如果没有安装unrar，可以使用操作系统的解压工具解压.rar文件。

2.2 数据集结构说明

解压后的数据集目录结构如下：

dataset1/
├── LDA.edgelist              # 已知的lncRNA-疾病关联
├── MDA.edgelist              # 已知的miRNA-疾病关联
├── LMI.edgelist              # 已知的lncRNA-miRNA相互作用
├── no_LDA.edgelist           # 未知的lncRNA-疾病对
├── no_MDA.edgelist           # 未知的miRNA-疾病对
├── no_LMI.edgelist           # 未知的lncRNA-miRNA对
├── lncRNA_sequences2.xlsx    # lncRNA序列数据
├── miRNA_sequences2.xlsx     # miRNA序列数据
├── disease_name.xlsx         # 疾病名称和DOID编号
└── dis_sem_sim.txt           # 疾病语义相似性数据

3. 数据预处理

在训练模型前，需要进行数据预处理，生成必要的特征和图结构。

3.1 生成K-mer特征和属性图

运行data_preparation.py脚本生成lncRNA/miRNA的k-mer特征并构建基于属性的KNN图：

cd SSCLMD-main/code
python data_preparation.py

此脚本会生成以下文件：

• lnc_att_graph.txt：lncRNA的属性图
• mi_att_graph.txt：miRNA的属性图
• dis_att_graph.txt：疾病的属性图

3.2 计算相似性和拓扑图内边

运行calculating_similarity.py计算节点间的相似性和拓扑图的内边关系：

python calculating_similarity.py

此脚本会生成以下文件：

• one_hot_lnc_sim_*.txt：lncRNA的GIPK相似性矩阵
• one_hot_mi_sim_*.txt：miRNA的GIPK相似性矩阵
• one_hot_dis_sim_*.txt：疾病的GIPK相似性矩阵

4. 模型训练与测试

4.1 配置参数

在运行模型前，可以根据需要修改parms_setting.py中的参数：

# 修改parms_setting.py中的参数
# 例如，修改任务类型为LDA、MDA或LMI
parser.add_argument('--task_type', default="LDA", choices=['LDA', 'MDA','LMI'])

# 修改训练参数
parser.add_argument('--lr', type=float, default=5e-4)
parser.add_argument('--epochs', type=int, default=80)

主要参数说明：

• --task_type：预测任务类型，可选LDA、MDA或LMI
• --in_file：正样本数据文件路径
• --neg_sample：负样本数据文件路径
• --lr：学习率
• --epochs：训练轮数
• --dimensions：特征维度（LDA为512，MDA和LMI为1024）
• --loss_ratio1：自监督损失权重（LDA为1.0，MDA和LMI为0.1）

4.2 运行模型

运行main.py脚本进行模型训练和测试：

python main.py

默认情况下，将对数据集1进行lncRNA-疾病关联（LDA）预测任务的训练和测试。

4.3 修改任务类型

如需进行其他任务的预测，可以修改参数：

对于miRNA-疾病关联（MDA）预测：

python main.py --task_type MDA --in_file dataset1/MDA.edgelist --neg_sample dataset1/no_MDA.edgelist --dimensions 1024 --loss_ratio1 0.1

对于lncRNA-miRNA相互作用（LMI）预测：

python main.py --task_type LMI --in_file dataset1/LMI.edgelist --neg_sample dataset1/no_LMI.edgelist --dimensions 1024 --loss_ratio1 0.1

5. 评估结果

5.1 性能指标

训练和测试过程中，模型会输出以下性能指标：

• 训练损失（loss_train）
• 训练集上的AUROC值（auroc_train）
• 测试集上的AUROC值（auroc_test）
• 测试集上的AUPRC值（auprc_test）
• 测试集上的F1分数（f1_test）

5.2 结果解释

评估结果的解释：

• AUROC值越接近1，表示模型对正负样本的区分能力越强
• AUPRC值越高，表示模型在各个召回率水平上的精确率越高
• F1分数是精确率和召回率的调和平均值，越高表示模型的综合性能越好

6. 常见问题与解决方案

6.1 内存不足

如果遇到内存不足的问题，可以尝试以下解决方案：

• 减小批次大小（batch size）
• 减小特征维度（dimensions）
• 如果使用GPU，尝试使用CPU版本的PyTorch

6.2 CUDA错误

如果遇到CUDA相关错误，可以尝试：

• 检查CUDA版本与PyTorch版本是否匹配
• 将--no-cuda设置为True，使用CPU运行
• 清理GPU内存：torch.cuda.empty_cache()

6.3 数据加载错误

如果遇到数据加载错误，检查：

• 文件路径是否正确
• 数据集是否正确解压
• 数据格式是否符合要求

7. 模型调优建议

7.1 超参数调优

以下超参数对模型性能影响较大，可以进行调优：

• 学习率（lr）：建议在[1e-4, 1e-3]范围内调整
• 隐藏层维度（hidden1, hidden2）：建议根据任务复杂度进行调整
• 自监督损失权重（loss_ratio1）：不同任务的最佳值不同

7.2 模型修改建议

如需进一步提升模型性能，可以考虑：

• 尝试不同的图神经网络层（如GAT、GraphSAGE）
• 修改注意力机制的实现
• 调整解码器结构
• 增加正则化方法，如Dropout和权重衰减

8. 结果可视化

可以使用matplotlib库对结果进行可视化，例如绘制ROC曲线和PR曲线：

import matplotlib.pyplot as plt
from sklearn.metrics import roc_curve, precision_recall_curve

# 绘制ROC曲线
fpr, tpr, _ = roc_curve(y_true, y_pred)
plt.figure()
plt.plot(fpr, tpr, label=f'AUROC = {roc_auc:.4f}')
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve')
plt.legend()
plt.savefig('roc_curve.png')

# 绘制PR曲线
precision, recall, _ = precision_recall_curve(y_true, y_pred)
plt.figure()
plt.plot(recall, precision, label=f'AUPRC = {prc_auc:.4f}')
plt.xlabel('Recall')
plt.ylabel('Precision')
plt.title('Precision-Recall Curve')
plt.legend()
plt.savefig('pr_curve.png')

9. 多数据集实验

项目提供了两个数据集，建议在两个数据集上都进行实验，以验证模型的泛化能力。

对于数据集2，只需修改相应的文件路径：

python main.py --in_file dataset2/LDA.edgelist --neg_sample dataset2/no_LDA.edgelist

10. 总结

按照本指南的步骤，您应该能够成功复现SSCLMD项目，并在lncRNA-疾病关联、miRNA-疾病关联和lncRNA-miRNA相互作用预测任务上取得良好的性能。如有任何问题，请参考原论文或查看项目代码中的注释。