Esta página ha sido traducida por una máquina. Otras páginas pueden seguir apareciendo en inglés. View in English

El impulso de gráficos adaptativos se encuentra con el aprendizaje contrastante: un marco de múltiples vistas para la predicción de la asociación de enfermedades metabólicas

Xiaoxin Du ^1,2, Xue Yang ³, Bo Wang ^3,4

⁰School of Computer and Control Engineering, Qiqihar University, Qiqihar, 161006, China. xiaoxindu@qqhru.edu.cn.

Interdisciplinary Sciences, Computational Life Sciences +

|

22 de agosto de 2025

Ver abstracta en PubMed

Resumen

Este estudio presenta GPLCL, un nuevo marco de aprendizaje de gráficos para identificar asociaciones de enfermedades metabólicas (MDA). GPLCL demuestra un rendimiento robusto en la predicción de MDA, incluso con datos ruidosos, avanzando en la medicina de precisión.

Área De La Ciencia

Biología computacional
La bioinformática
Medicina de precisión

Sus Antecedentes

Las asociaciones de enfermedad metabólica (MDA) son cruciales para la medicina de precisión.
Los métodos computacionales existentes luchan con la escasez de datos, el ruido y la representación de características.

Objetivo Del Estudio

Proponer GPLCL (aprendizaje de contraste mejorado por prontitud de gráficos), un nuevo marco de aprendizaje de gráficos de múltiples vistas.
Para abordar los desafíos en la identificación de MDA utilizando gráficos adaptativos y aprendizaje contrastante.

Principales Métodos

GPLCL integra características de prontitud de gráficos mejoradas (GPF +) con adaptación de nodos basada en la atención.
Utiliza el aumento de gráficos estratégicos y la optimización de contraste auto-supervisada (HeteroGraphSAGE) para la preservación de invariantes topológicos y la agregación de patrones a múltiples escalas.

Principales Resultados

Se logró un AUC de 0,9761 y un AUPR de 0,9729 en el conjunto de datos 1, superando los métodos existentes en un 0,556,37%.
Se mantuvo un buen rendimiento (AUC 0,9576, AUPR 0,9499) en el conjunto de datos ruidosos 2, demostrando robustez.
Los estudios de caso mostraron potencial para descubrir nuevos MDA para la diabetes tipo 1, la obesidad y la enfermedad de Parkinson.

Conclusiones

GPLCL ofrece un marco sólido y eficaz para la identificación de asociaciones entre metabolitos y enfermedades.
El modelo muestra un potencial significativo para el avance de la investigación metabólica y la medicina traslacional.
El marco computacional desarrollado mejora la medicina de precisión al mejorar la precisión y la robustez de la predicción MDA.

Palabras clave:

Propuesta de gráfico adaptativo Metabolomía computacional Aprendizaje de la representación contrastiva Predicción de la asociación con la enfermedad metabólica Visión múltiple