HGSMDA:基于HyperGCN和Sørensen-Dice损失的miRNA疾病关联预测

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 识别微RNA (miRNA) -疾病关联对于疾病预防,诊断和治疗至关重要.
• 推断这些关联的实验方法昂贵且低效.
• 目前的预测模型,通常基于图形卷积网络 (GCN),在汇总来自多个节点的信息方面存在局限性.

研究的目的:

• 提出一种新的,准确和高效的计算方法来预测miRNA与疾病的关联.
• 克服传统GCN在捕捉复杂关系方面的局限性.
• 引入一个新的框架,HGSMDA,利用HyperGCN和Sørensen-Dice的损失.

主要方法:

• 构建了miRNA和疾病的多重相似性网络.
• 采用GCN从不同的角度提取特征.
• 利用HyperGCN构建一个miRNA疾病异态超图.
• 在超图上训练GCN以汇总信息.
• 应用索伦森-戴斯损失来评估预测准确性.

主要成果:

• 与现有方法相比,拟议的HGSMDA方法显示出更高的疗效.
• 在人类微RNA疾病数据库 (HMDD v3.2) 上进行了广泛的实验,验证了该模型的性能.
• 一个关于结肠癌的案例研究进一步证实了HGSMDA的预测能力.

结论:

• HGSMDA提供了一个可靠和有效的框架,用于预测miRNA与疾病的关联.
• 这种新的方法为研究复杂的miRNA-疾病关系提供了一个有希望的途径.
• 这种方法提高了识别疾病潜在生物标志物的效率和准确性.