基于多视图网络和疾病的强化学习来识别潜在的miRNA生物标志物

科学领域:

• 生物信息学是一种生物信息学.
• 基因组学就是基因组学.
• 计算生物学 计算生物学

背景情况:

• 微RNAs (miRNAs) 在疾病发展中至关重要,但诊断和预后的有效生物标志物仍然难以确定.
• 目前的方法难以整合多样化的miRNA数据,以进行可靠的生物标志物发现.

研究的目的:

• 开发一种新的计算方法,miRMarker,用于识别潜在的miRNA生物标记物.
• 利用多视图miRNA网络和强化学习来加强疾病样本歧视.

主要方法:

• 使用miRNA表达数据和已知的miRNA-疾病关系构建了合作调节和功能相似性网络.
• 使用自然语言处理来计算miRNA的功能相似性.
• 集成的多视图网络和利用强化学习来定义信息性的miRNA模块.

主要成果:

• 在疾病样本区分方面,miRMarker在9个转录组学数据集中的8种现有方法相比,表现优越.
• 该方法在接收器运行特征分析中表现出色.
• 与结直肠癌相关的确定miRNA模块表现出强大的区分能力,并突出显著的癌症相关途径干扰.

结论:

• 通过集成多视图数据,miRMarker有效地构建了强大的miRNA交互网络.
• 对miRNA网络的强化学习探索有助于定义关键miRNA模块.
• miRMarker显示出作为一种有价值的工具,用于在人类疾病中识别miRNA生物标志物.