多次元近隣トポロジー誘導トランスフォーマーとコルモゴロフ-アーノルドネットワークの機能学習モデルが,疾患関連のcircRNA予測に強化された

科学分野:

• バイオ情報学
• コンピューター生物学
• ゲノミクス

背景:

• 循環型非コーディングRNA (circRNAs) はヒトの病気に関与しており,その正確な関連予測は疾患の病原性を理解するために重要である.
• 現在の予測方法は,しばしばグラフ学習に基づいており,マルチスケールの隣人トポロジーと属性依存関係を完全に捉えるのに苦労しています.

研究 の 目的:

• サークRNAと疾患の関連性を予測するための高度な計算モデルを開発する.
• 主要なcircRNAを特定することで,疾患メカニズムの理解を深める.

主な方法:

• 提案されたMKCDは,マルチスケール近隣トポロジーとKolmogorov-Arnold Network (KAN) の機能学習を統合するモデルです.
• 異質グラフ上のランダムウォークを介して,適応型マルチスケール隣人埋め込み (AMNE) を採用した.
• ダイナミック マルチスケール 隣人 トポロジー ガイドド トランスフォーマー (DMTT) を利用し,関係学習を行いました.
• 特徴の重要性の評価のための機能ゲートネットワーク (FGN) を組み込みました.
• 依存性学習のための適応性合コンボリューションニューラルネットワークとKAN学習戦略 (ACK) を適用しました.

主要な成果:

• MKCDは最先端の6つの方法を上回り,AUCとAUPRの改善率はそれぞれ少なくとも14. 1%と7. 6%でした.
• 消去試験は個々の成分 (AMNE,DMTT,FGN,ACK) の有効性を確認した.
• 3つの疾患に対する信頼性の高い circRNA候補を特定したケーススタディが成功しました.

結論:

• MKCDは,circRNA疾患関連性予測のための堅牢で効果的なアプローチを提供します.
• マルチスケールのトポロジカル情報と高度な機能学習を統合するモデルの能力は,重要な利点を提供します.
• MKCDは,疾患に関連するcircRNA発見とメカニズムの研究を進めるために有望である.