多尺度拓和位置特征学习和关系感知图表推理用于预测与药物相关的微生物

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 系统生物学 系统生物学

背景情况:

• 人类微生物组影响药物的有效性,因此需要准确预测微生物与药物的关联.
• 当前基于图形的预测模型往往忽略了异构的微生物药物网络中的关键拓和位置信息.

研究的目的:

• 开发一种新的计算模型,NGMDA,用于预测微生物与药物之间的关联.
• 通过结合多层次的拓和位置特征以及微生物药物网络中的远程依赖来提高预测准确性.

主要方法:

• 使用t步随机走路来制定节点位置和拓.
• 雇员监督的完全连接的自动编码器用于嵌入高维,稀疏节点特征的增强.
• 开发了一种适应性邻居功能融合模块,用于位置和拓敏感图形神经网络的自我注意机制.
• 综合长距离相关性使用关系感知图形变压器进行异质图形特征融合.

主要成果:

• 与五种最先进的预测方法相比,NGMDA在广泛的比较实验中表现出优越的性能.
• 废除研究证实了多尺度拓/位置学习,嵌入增强,邻居融合和异质图形融合的显著贡献.
• 对三种药物的案例研究强调了NGMDA在识别潜在的药物相关微生物方面的能力.

结论:

• 通过有效利用复杂的图形特征,NGMDA提供了一个可靠的框架来预测微生物与药物之间的关联.
• 该模型能够捕获多尺度的拓和位置信息,以及远程依赖关系,显著提高了预测准确性.
• 通过识别关键的微生物相互作用,NGMDA为探索药物的治疗潜力提供了宝贵的工具.