Un transformador guiado por topología vecina a escala múltiple y una red de Kolmogorov-Arnold mejoraron el modelo de...

Área de la Ciencia:

• La bioinformática
• Biología computacional
• La genómica

Sus antecedentes:

• Los ARN no codificantes circulares (ARNs circulares) están implicados en enfermedades humanas, por lo que su predicción de asociación precisa es crucial para comprender la patogénesis de las enfermedades.
• Los métodos de predicción actuales, a menudo basados en el aprendizaje de gráficos, luchan por capturar completamente las topologías vecinas de múltiples escalas y las dependencias de atributos.

Objetivo del estudio:

• Desarrollar un modelo computacional avanzado para predecir las asociaciones circRNA-enfermedad.
• Mejorar la comprensión de los mecanismos de la enfermedad mediante la identificación de los circRNA clave.

Principales métodos:

• Propuso MKCD, un modelo que integra la topología de vecindario a múltiples escalas y el aprendizaje de características mejoradas de la Red Kolmogorov-Arnold (KAN).
• Empleó la incorporación adaptativa de vecinos a escala múltiple (AMNE) a través de caminatas aleatorias en un gráfico heterogéneo.
• Utilizó un transformador guiado por topología de vecindario dinámico de múltiples escalas (DMTT) para el aprendizaje de relaciones.
• Incorpora una red de características (FGN) para la evaluación de la importancia de las características.
• Aplicó una red neuronal convolucional conjunta adaptativa y una estrategia de aprendizaje KAN (ACK) para el aprendizaje de la dependencia.

Principales resultados:

• MKCD superó seis métodos de última generación, con mejoras en el AUC y el AUPR de al menos un 14,1% y un 7,6%, respectivamente.
• Los estudios de ablación confirmaron la eficacia de los componentes individuales (AMNE, DMTT, FGN, ACK).
• Los estudios de caso identificaron con éxito candidatos de circRNA confiables para tres enfermedades.

Conclusiones:

• MKCD proporciona un enfoque robusto y eficaz para la predicción de la asociación circRNA-enfermedad.
• La capacidad del modelo para integrar información topológica a múltiples escalas y aprendizaje avanzado de características ofrece ventajas significativas.
• El MKCD es prometedor para el avance de la investigación en el descubrimiento y los estudios mecanicistas de circRNA relacionados con la enfermedad.