Marco de aprendizaje profundo multivista guiado por atención que descubre asociaciones de microARN y fármacos para el...

Área de la Ciencia:

• Informática Biomédica
• Biología Computacional
• Genómica

Sus antecedentes:

• Los microARN (miARN) son reguladores cruciales de los procesos biológicos con potencial terapéutico.
• La expresión aberrante de miARN afecta la respuesta a los fármacos, lo que complica las terapias basadas en miARN.
• Los métodos actuales para identificar asociaciones de miARN y fármacos (MDA) suelen ser lentos y costosos.

Objetivo del estudio:

• Desarrollar un marco computacional eficiente y preciso para predecir asociaciones de microARN y fármacos (MDA).
• Superar las limitaciones de los métodos existentes integrando múltiples fuentes de datos.
• Mejorar la predicción de objetivos terapéuticos aprovechando el aprendizaje multivista.

Principales métodos:

• Desarrollo de un marco de aprendizaje profundo multivista guiado por atención (DLMVF).
• Integración de datos de atributos de miARN y fármacos con información de interacción.
• Empleo de atención a nivel de vista para ponderar adaptativamente la importancia de las características para el aprendizaje de representación mejorado.

Principales resultados:

• DLMVF logró un alto rendimiento con un AUROC de 0,9611 y un AUPRC de 0,9543 en un conjunto de datos de referencia.
• Demostró una precisión, solidez y generalización superiores en comparación con los métodos existentes.
• Los estudios de caso identificaron con éxito posibles nuevas asociaciones de microARN y fármacos para fármacos anticancerígenos.

Conclusiones:

• El marco DLMVF ofrece un enfoque potente y eficiente para predecir asociaciones de microARN y fármacos.
• Este método facilita el descubrimiento de nuevas estrategias terapéuticas mediante la integración de datos de múltiples fuentes.
• Los hallazgos respaldan el avance de las terapias basadas en miARN a través de una mejor predicción computacional.