LDA-VGHB:识别潜在的lncRNA疾病关联与奇数值分解,变量图自编码器和异质牛顿提升机器

科学领域:

• 基因组学和生物信息学
• 计算生物学 计算生物学
• 分子生物学分子生物学

背景情况:

• 长非编码RNAs (lncRNAs) 涉及到许多生物过程和疾病.
• 对 lncRNA-疾病关联 (LDA) 的实验验证至关重要,但耗时且昂贵.
• 需要有效的计算方法来预测LDA.

研究的目的:

• 开发和验证一个新的计算框架,LDA-VGHB,用于识别 lncRNA-疾病关联.
• 将LDA-VGHB的性能与现有的LDA预测方法和流行的增强模型进行比较.
• 识别与特定癌症相关的潜在 lncRNA,包括肺癌,乳腺癌,结肠直肠癌和瘤.

主要方法:

• 使用单数值分解和变量图形自编码器进行特征提取.
• 使用异质牛顿增强机器进行 lncRNA-疾病关联分类.
• 在多个数据库 (lncRNADisease,MNDR) 和独立数据集上进行严格的5倍交叉验证.

主要成果:

• 与四种经典的LDA预测方法和四种流行的提振模型相比,LDA-VGHB在四种交叉验证策略中表现出优越的性能.
• 该框架成功预测了肺癌,乳腺癌,结肠直肠癌和癌的顶级lncRNA,许多预测得到了现有文献和数据库的证实.
• 特定的lncRNA如HAR1A,KCNQ1DN,ZFAT-AS1和HAR1B被确定为肺,乳腺,结肠直肠和瘤的潜在关联.

结论:

• LDA-VGHB是一种高度有效和高效的计算工具,用于预测lncRNA与疾病的关联.
• 该框架为实验方法提供了有价值的替代方案,加速了与疾病相关的lncRNAs的发现.
• 建议对已确定的lncRNA与癌症的关联进行进一步的生物验证.