疾患サブグラフ表現と併存疾患予測のためのサブグラフ変圧器モデルDisSubFormer

科学分野:

• 計算生物学
• バイオインフォマティクス
• ネットワーク医学

背景:

• 疾患併存疾患、すなわち複数の疾患の併存は、臨床的および生物学的に大きな課題をもたらします。
• 既存の併存疾患予測のための計算方法は、断片化された疾患サブグラフのモデリングと遺伝子オントロジー（GO）の階層情報の完全な活用に限界があります。

研究 の 目的:

• DisSubFormer、新しいサブグラフ変圧器モデルを開発し、疾患サブグラフ表現学習と併存疾患予測を強化すること。
• 断片化された疾患サブグラフのモデリングを改善し、GOの階層構造をより効果的に統合すること。

主な方法:

• タンパク質間相互作用（PPI）ネットワーク構造とGO認識機能情報を統合し、GOの階層的祖先を明示的に組み込むことにより、統一されたタンパク質表現を学習しました。
• 生物学的に情報に基づいたアンカーパッチとサブグラフ間注意を使用して、疾患関連PPIネットワーク領域に焦点を当て、スケーラビリティと関連性を向上させました。
• 断片化された疾患サブグラフ内の多様な特性を捉えるために、ヘッド固有の関係項を持つマルチヘッド注意メカニズムを導入しました。

主要な成果:

• DisSubFormerは、ベンチマークデータセットで最先端の方法と比較して、併存疾患予測において優れたパフォーマンスを達成しました。
• 受信者操作特性曲線下面積（AUROC）0.97を実証し、高い予測精度を示しました。
• このモデルは、GOの階層構造を活用して、構造的および機能的情報を効果的に統合します。

結論:

• DisSubFormerは、複雑な疾患サブグラフトポロジーを効果的にモデル化することにより、疾患併存予測のための強力な新しいアプローチを提供します。
• この方法は、疾患関係の理解のための計算戦略を進歩させ、潜在的な臨床的応用があります。
• 階層的なGO情報とサブグラフ注意の統合は、予測精度を大幅に向上させます。