根据多源特征的融合和图形神经网络,预测植物中的无生物应激响应的miRNA

科学领域:

• 植物分子生物学 植物分子生物学
• 生物信息学是一种生物信息学.
• 计算生物学是一种计算生物学.

背景情况:

• 微RNAs (miRNAs) 是植物对非生物压力的反应的关键调节者.
• 识别miRNA-abiotic压力关联的传统实验方法昂贵且耗时.
• 现有的计算方法还没有充分利用现有的miRNA和非生物应激信息.

研究的目的:

• 开发一种高效,经济的计算方法来预测miRNA-abiotic压力关联.
• 充分利用来自miRNA和非生物应激的多源特征信息.
• 提出一种基于图形神经网络的新方法.

主要方法:

• 将miRNA和非生物压力的综合多源特征信息整合到一个异质网络中.
• 雇员重启随机步行 (RWR) 来提取全球结构信息并生成特征向量.
• 使用基于图形同态网络 (GIN) 的图形自编码器进行学习和重建.

主要成果:

• 与现有方法相比,拟议的模型在预测潜在的miRNA-abiotic压力关联方面取得了卓越的性能.
• 在五倍交叉验证下,精度回忆曲线下的AUPR达到98.24%,曲线下的AUC达到97.43%.
• 证明了多来源相似性网络和协会信息的有效融合.

结论:

• 开发的图形神经网络模型对于预测miRNA-abiotic压力关联来说是强大而有效的.
• 这种方法为推进植物非生物应激反应研究提供了有价值的工具.
• 该方法突出了整合多种数据源的潜力,以预测生物关联.