MAMLCDA:一种用于预测circRNA-Disease关联的超级学习模型,基于MAML与CNN相结合

科学领域:

• 基因组学和生物信息学
• 分子生物学分子生物学
• 计算生物学 计算生物学

背景情况:

• 循环RNAs (circRNAs) 是一种非编码的RNA分子,具有封闭的环状结构.
• 新出现的证据将circRNA与各种人类疾病联系在一起,突出了准确的关联预测的必要性.
• 识别circRNA与疾病的关联对于理解疾病机制至关重要.

研究的目的:

• 开发一个可靠和准确的元学习模型,MAMLCDA,用于识别circRNA疾病关联.
• 通过探索circRNA参与来增强对复杂疾病病原学的理解.

主要方法:

• 开发了一个元学习模型 (MAMLCDA),结合了模型不可知元学习 (MAML) 和卷积神经网络 (CNN) 分类.
• 进行了特征提取和整合circRNA疾病相似性.
• 采用K-means集群和概率主要组件分析 (PPCA) 来进行样本选择和特征维度缩小.
• 特征向量被转换为图像,用于一个双向的一拍图像分类问题.

主要成果:

• 在两个基准数据集上,MAMLCDA模型实现了95.33%和98%的高预测准确度.
• 交叉验证结果表明,MAMLCDA的性能优于现有的几种最先进的方法.
• 该模型有效地描述了circRNAs和疾病之间的关系.

结论:

• MAMLCDA提供了一种强大而准确的方法来预测circRNA与疾病的关联.
• 开发的模型可以显著地帮助阐明circRNAs在复杂疾病发病过程中的作用.
• 这项工作推进了分析疾病中非编码RNA功能的计算方法.