异质图框架用于预测lncRNA与子宫纤维瘤疾病和病例之间的关联
Qing-Jing Sheng1, Yuan Tan2, Liyuan Zhang3
1Department of Gynecology, Shanghai First Maternity and Infant Hospital, School of Medicine, Tong Ji University, Shanghai, China; Shanghai Key Laboratory of Maternal and Fetal Medicine, Shanghai First Maternity and Infant Hospital, Shanghai, China.
Computers in biology and medicine
|August 24, 2023
概括
我们开发了RGLD,一种使用随机步行与重启,图形神经网络和图形注意力网络来预测长非编码RNA (lncRNA) -疾病关联的计算方法. RGLD准确地确定了与子宫纤维瘤有关的lncRNA,验证了其预测能力.
科学领域:
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
背景情况:
- 长非编码RNAs (lncRNAs) 是细胞过程的关键调节者,它们的失调与各种疾病有关.
- 传统的实验方法研究 lncRNA 功能是艰苦和有限的.
- 现有的 lncRNA-疾病关联预测计算方法遭受信息丢失和孤立节点的有限处理.
研究的目的:
- 开发一种先进的计算方法来预测 lncRNA 与疾病的关联.
- 通过整合异质网络信息来克服现有方法的局限性.
- 识别新的 lncRNA-疾病关联并验证它们的生物学相关性.
主要方法:
- 开发了RGLD,一个新的计算框架,集成随机步行与重启 (RWR),图形神经网络 (GNN) 和图形注意网络 (GAT).
- 构建了一个异质网络来建模lncRNA和疾病相互作用.
- 使用曲线下的面积 (AUC) 评估了RGLD性能,并通过生物实验验验证了预测.
主要成果:
- RGLD实现了高预测准确度,AUC为0.88,超过了现有方法.
- 该方法成功预测了lncRNAs与疾病之间的新兴关联.
- RGLD确定HOTAIR,MEG3和PVT1是与子宫纤维瘤相关的lncRNA,随后通过实验验证.
结论:
- RGLD提供了一种强大而准确的计算方法,用于预测lncRNA与疾病的关联.
- 已识别的lncRNAs (HOTAIR,MEG3,PVT1) 和它们的基因在子宫纤维瘤的发育和进展中起着重要作用.
- 这项研究提供了有关lncRNA在疾病机制中的功能以及潜在的治疗策略的宝贵见解.
