Predicción de asociaciones circRNA-enfermedad basadas en redes de isomorfismo de gráficos y agregación de muestreo de...

Área de la Ciencia:

• Biología computacional
• La genómica
• La bioinformática

Sus antecedentes:

• Comprender las relaciones entre el ARN circular (circRNA) y la enfermedad es vital para la investigación del mecanismo de la enfermedad.
• Los métodos experimentales para identificar asociaciones circRNA-enfermedad consumen mucho tiempo y trabajo.
• Los métodos computacionales existentes tienen limitaciones en la extracción de características profundas.

Objetivo del estudio:

• Desarrollar un marco computacional innovador, GINSACDA, para predecir asociaciones de enfermedades circRNA desconocidas.
• Superar las limitaciones de los métodos existentes mediante la integración de diversos tipos de características y arquitecturas de red avanzadas.

Principales métodos:

• GINSACDA calcula la similitud del núcleo de perfil interactivo de Gauss (GIP) y la similitud funcional / semántica para los circRNA y las enfermedades como características globales.
• Las características locales se extraen de subgráficos de siete saltos.
• Las características globales y locales fusionadas son procesadas por Graph Isomorphism Network (GIN) y Graph Sampling Aggregation (GraphSAGE) para la extracción de características profundas.
• Una capa completamente conectada calcula las puntuaciones de predicción.

Principales resultados:

• GINSACDA demostró un rendimiento superior en comparación con cinco modelos de última generación en la validación cruzada de cinco veces en dos conjuntos de datos.
• Los estudios de caso sobre el carcinoma hepatocelular y el cáncer de mama validaron el poder predictivo del modelo.

Conclusiones:

• GINSACDA ofrece un enfoque computacional potente y preciso para predecir las asociaciones circRNA-enfermedad.
• La capacidad del marco para extraer características profundas de los datos integrados mejora la comprensión de los mecanismos de la enfermedad.