基于多种类型的对比学习,通过miRNA预测人类疾病的高效模型

科学领域:

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

背景情况:

• 微RNAs (miRNAs) 在调节人类微生物群和疾病发展方面发挥着至关重要的作用.
• 准确预测miRNA-疾病关联 (MDAs) 对早期诊断和治疗至关重要.
• 现有的MDA机器和深度学习模型在数据稀疏性方面扎.

研究的目的:

• 开发一个先进的模型来预测潜在的miRNA-疾病关联 (MDAs).
• 为了克服现有的预测方法中稀疏节点社区的挑战.
• 提高临床应用中MDA预测的准确性和可靠性.

主要方法:

• 提出了一个新型模型,MTCL-MDA,将多种对比学习策略与图形协作过集成在一起.
• 采用基于拓的对比式学习策略,以减轻稀疏社区的性能退化.
• 利用基于语义的对比学习策略来减少噪音和丰富节点语义信息.

主要成果:

• 与现有方法相比,MTCL-MDA模型在所有评估指标上表现出卓越的表现.
• 案例分析证实了该模型在识别潜在的MDA方面提高了准确性.
• 这些发现表明,对疾病查和诊断有重大影响.

结论:

• MTCL-MDA有效地解决了miRNA疾病关联预测中的数据稀疏性.
• 该模型的卓越性能和准确性为临床应用提供了宝贵的工具.
• 公开可用的数据和代码促进了该领域的进一步研究和开发.