DCDA:使用前神经网络和深度自编码器进行CircRNA疾病关联预测
Hacer Turgut1, Beste Turanli2, Betül Boz3
1Computer Engineering Department, Marmara University, 34854, Istanbul, Türkiye. hacertilbecturgut@gmail.com.
Interdisciplinary sciences, computational life sciences
|November 17, 2023
概括
这项研究介绍了DCDA,这是一种用于预测循环RNA疾病关联的深度学习模型. DCDA准确地识别潜在的疾病生物标志物和药物点,改善早期诊断和治疗策略.
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:
- 循环RNAs (circRNAs) 在生物过程中至关重要,并与人类疾病有关.
- 识别circRNA疾病关联对于早期诊断和治疗开发至关重要.
- 检测这些关联的传统实验方法耗时且昂贵.
研究的目的:
- 开发一种有效的计算方法来预测circRNA与疾病的关联.
- 为了确定潜在的circRNA生物标志物和各种疾病的药物标.
- 克服传统实验方法的局限性.
主要方法:
- 一个基于深度学习的预测器DCDA被开发出来.
- 整合了多个数据源以提取circRNA和疾病特征.
- 使用深度自动编码器来揭示隐藏的功能编码.
- 一个深度神经网络被用来预测关联得分.
主要成果:
- 该DCDA模型实现了高预测性能.
- 五次交叉验证证明了该模型的有效性.
- 该模型的性能优于现有的最先进的预测方法.
- 在基准数据集上获得0.9794的AUC得分.
结论:
- DCDA提供了一种强大而准确的计算方法,用于预测circRNA与疾病的关联.
- 该方法方便发现新型circRNA与疾病的关系.
- 这项工作有助于在临床诊断和治疗中推进circRNAs的使用.
