PUTransGCN:基于注意编码图卷积网络和积极的未标记的学习,识别piRNA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:

• 皮维相互作用RNAs (piRNAs) 在生物过程和疾病中至关重要.
• 预测piRNA与疾病的相互作用至关重要,但由于数据不平衡和稀疏而面临挑战.
• 现有的计算方法与复杂的piRNA-疾病关系作斗争.

研究的目的:

• 开发一种新的计算架构,PUTransGCN,用于预测piRNA与疾病的关联.
• 解决在piRNA-疾病相互作用预测中不平衡和稀疏数据集的挑战.
• 提高piRNA疾病关联预测工具的准确性和可靠性.

主要方法:

• 在PUTransGCN框架内使用异质图形卷积网络 (GCN).
• 整合了一个注意力机制,用于对异质节点特征进行自动加权.
• 应用了组合正非标记学习 (PUL) 方法 (PU包装,两步,间技术) 来处理数据不平衡并选择可靠的负相关联.
• 作为功能,集成piRNA序列信息,疾病语义术语和现有的piRNA疾病网络.

主要成果:

• 通过5倍交叉验证,PUTransGCN在两个数据集上实现了高性能,AUC值为0.93和0.95.
• 在预测piRNA-疾病关联方面表现优于其他六种最先进的模型.
• 废弃实验证实了PUL组合方法在其他PUL策略上的优越性.
• 在这种情况下,证明了异质图形卷积网络和注意力机制的有效性.

结论:

• PUTransGCN是一种强大而有效的计算工具,用于预测piRNA与疾病的关联.
• 开发的方法成功地解决了数据不平衡和稀疏性挑战.
• PUTransGCN为未来的生物医学研究和疾病研究提供了宝贵的资源.
• 该代码的开源可用性有助于进一步的研究和应用.