基于后勤矩阵因子化和局部社区约束的代谢物-疾病相互作用预测
Yongbiao Zhao1,2, Yuanyuan Ma2, Qilin Zhang2
1National Engineering Research Center for E-Learning, Central China Normal University, Wuhan, Hubei, China.
这项研究引入了一种新的方法,LMFLNC,通过分析生物网络中的局部结构来预测代谢物-疾病相互作用. 这种方法显著提高了预测的准确性,有助于疾病的诊断和治疗.
科学领域:
- 生物医学信息学是生物医学信息学.
- 计算生物学是一种计算生物学.
- 系统生物学 系统生物学
背景情况:
- 代谢物越来越多地与人类疾病有关,因此准确识别代谢物与疾病的关系对于诊断和治疗至关重要.
- 以前的方法往往忽略了代谢物和疾病网络中的局部结构信息,这可能会限制相互作用预测的准确性.
研究的目的:
- 开发一种用于预测代谢物与疾病相互作用的新型计算方法.
- 通过纳入当地结构特征来解决现有方法的局限性.
主要方法:
- 提出了逻辑矩阵因子化和局部最近邻居约束 (LMFLNC) 方法.
- 使用多源微生物组数据构建了代谢物-代谢物和疾病-疾病相似性网络.
- 利用局部光谱矩阵和已知的相互作用作为潜伏表示学习的输入.
主要成果:
- 与现有算法相比,LMFLNC方法表现出更高的性能,实现了更高的AUPR和F1得分.
- 确定了潜在的新型代谢物-疾病相互作用,包括"21-基酶缺乏"的"皮质醇"和具有代谢障碍的特定酸.
- 验证了该方法能够保留数据的几何结构以进行有效的预测的能力.
结论:
- 通过保存数据的几何结构,LMFLNC方法有效地预测了代谢物与疾病的关联.
- 该方法为推进对代谢物-疾病相互作用的理解和预测提供了一个有前途的工具.
更多相关视频
08:51Author Spotlight: Integrated Multi-Omics Analysis for Unveiling Multicellular Immune Signatures in Clinical Heart Attack Cohorts
Published on: September 20, 2024
07:11Author Spotlight: Emerging Technologies and Advanced Tools for Decoding Metabolomics Data Analysis
Published on: November 10, 2023
相关概念视频
Mechanistic Models: Compartment Models in Individual and Population Analysis
Model Approaches for Pharmacokinetic Data: Distributed Parameter Models
The distributed parameter models are specifically designed to account for variations and differences in some drug classes. This model is particularly useful for assessing regional concentrations of anticancer or...
Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
