通过图表注意力学习和多重自适应模式融合预测miRNA疾病关联

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RNA (miRNA) 是基因表达的关键调节者,对细胞功能至关重要.
• 毫米RNAs的失调与各种人类疾病有关,突出显示了它们的诊断和治疗潜力.
• 现有的miRNA疾病关联预测方法面临着信息丢失和特征平滑等挑战.

研究的目的:

• 开发一种先进的计算模型,准确预测miRNA与疾病的关联.
• 为了解决当前方法的局限性,例如图形注意网络 (GAT) 中的非最佳特征融合和特征光滑.
• 利用多模式数据在miRNA-疾病关联研究中提高预测准确性.

主要方法:

• 拟议的多重复合适应模式融合图注意网络 (MAMFGAT) 模型.
• 利用GAT在miRNA疾病,miRNA相似性和疾病相似性网络中进行特征聚合.
• 整合了自适应式学习,交叉模式对比式学习和多模式残余特征融合,以实现强大的特征嵌入.
• 采用多层感知器 (MLP) 进行最终的关联预测.

主要成果:

• 与最先进的方法相比,MAMFGAT在预测miRNA-疾病关联方面表现优越.
• 除分析证实了各种数据模式和设计模块的意义.
• 该模型在三项癌症病例研究中表现出色,验证了其可靠性.

结论:

• MAMFGAT提供了一种有效可靠的方法来预测miRNA与疾病的关联.
• 该模型的高级功能融合和光滑缓解技术提高了预测准确性.
• 这项工作为推进miRNA相关疾病诊断和治疗的研究提供了宝贵的工具.