GSLCDA:一种无监督的深度图形结构学习方法,用于预测circRNA-疾病关联

科学领域:

• 基因组学和生物信息学
• 计算生物学 计算生物学
• 分子医学是分子医学.

背景情况:

• 循环RNAs (circRNAs) 越来越多地被认为是它们在细胞过程和疾病发病过程中的角色.
• 准确预测circRNA疾病关联 (CDAs) 对于开发新型治疗策略至关重要.
• 现有的CDA预测方法与杂的图形结构作斗争,限制了它们的性能.

研究的目的:

• 开发一种无监督的深度图形结构学习方法,GSLCDA,用于预测潜在的circRNA疾病关联 (CDA).
• 解决现有方法的局限性,这些方法严重依赖图形网络,易受噪声连接的影响.

主要方法:

• 整合多源circRNA和疾病数据,构建一个异质网络.
• 无监督的深度图形结构学习来增强网络拓学和发现基本特征.
• 应用图形空间敏感的k-最接近邻居 (KNN) 算法用于潜伏的CDA识别.

主要成果:

• 在基准数据集上,GSLCDA获得了92.67%的准确性和0.9279 AUC.
• 该方法在独立数据集上表现出了卓越的性能.
• 乳腺癌,结肠直肠癌和肺癌的案例研究显示,预测CDA的验证率很高.

结论:

• GSLCDA有效地预测了潜在的circRNA疾病关联.
• 该方法为人类复杂疾病的诊断和治疗提供了新的视角.
• GSLCDA为CDA预测提供了一个强大的方法,克服了以前基于图表的方法的局限性.