LGCDA:基于局部和全球特征的融合,预测循环RNA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:

• 循环RNAs (circRNAs) 与各种疾病有关.
• 目前用于circRNA疾病关联预测的计算方法面临着数据稀疏性和内存溢出等挑战.
• 需要改进计算框架,以准确识别circRNA与疾病的联系.

研究的目的:

• 开发一个新的计算框架,LGCDA,用于预测circRNA-疾病关联.
• 解决现有方法的局限性,包括数据稀疏性和内存溢出.
• 提高circRNA疾病关联识别的准确性和效率.

主要方法:

• 使用k-hop子图标识和标记构建封闭的局部子图,以获得丰富的图形模式信息.
• 通过图形神经网络 (GNN) 提取本地特征.
• 融合高斯相互作用概况 (GIP) 核心和共因相似性用于全球特征提取.
• 使用多层感知器 (MLP) 预测circRNA疾病关联得分,整合本地和全球特征.

主要成果:

• 拟议的LGCDA框架有效地融合了局部和全球特征,用于预测circRNA与疾病的关联.
• 与先进的方法相比,LGCDA在五个数据集的五倍交叉验证中表现出卓越的性能.
• 该模型成功地克服了与数据稀疏性和内存溢出相关的挑战.

结论:

• LGCDA提供了一种强大而准确的计算方法来预测circRNA与疾病的关联.
• 当地和全球特征的融合是LGCDA增强预测能力的关键因素.
• 这一框架有可能促进与疾病相关的circRNA研究的研究.