HetGAT-LMI: Método interpretable de atención de grafos heterogéneos para predecir interacciones lncRNA-miRNA

Área de la Ciencia:

• Biología Computacional
• Bioinformática
• Genómica

Sus antecedentes:

• Identificar las interacciones de ARN largos no codificantes (lncRNA) y microARN (miRNA) es vital para comprender la regulación génica y las enfermedades.
• Los métodos actuales de redes neuronales de grafos (GNN) enfrentan limitaciones en la capacidad de representación, el sesgo de aristas y la fusión de características multimodales.

Objetivo del estudio:

• Desarrollar un modelo avanzado de atención de grafos heterogéneos, HetGAT-LMI, para la predicción precisa de interacciones lncRNA-miRNA.
• Superar las limitaciones de los GNN existentes integrando diversas características de secuencia y estructura.

Principales métodos:

• Construcción de una red heterogénea lncRNA-miRNA con similitud multinivel y aristas de interacción.
• Fusión de características multimodales de ARN (K-mer, G-gap, CTD, estructura RNAfold) en representaciones unificadas.
• Empleo de atención multigeneracional GATv2 y fusión de compuertas por pares para una codificación y discriminación robustas.

Principales resultados:

• HetGAT-LMI logró un alto rendimiento con un AUC de 0.9585 y un AUPR de 0.9467.
• El análisis SHAP reveló la importancia de las características clave (CTD para miRNA, MFE para lncRNA).
• Los estudios de caso sobre HOTAIR y MALAT1 validaron la relevancia biológica y la validez externa del modelo.

Conclusiones:

• HetGAT-LMI ofrece una mayor precisión, robustez e interpretabilidad en la predicción de interacciones lncRNA-miRNA.
• El modelo sirve como una herramienta valiosa para el cribado de alto rendimiento y la generación de hipótesis sobre mecanismos de interacción.