超路径语义和全球-本地表示学习增强图形卷积模型用于与疾病相关的miRNA预测

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:

• 微RNA (miRNA) 失调与各种疾病进展有关.
• 准确识别与疾病相关的miRNA对于理解和管理疾病至关重要.
• 现有的基于图的方法往往无法充分利用更高阶的拓结构和全球/本地节点特征.

研究的目的:

• 提出一种新的预测方法,即MDAP (miRNA-Disease Association Prediction),用于识别与疾病相关的miRNA.
• 加强从异质miRNA疾病网络中学习语义和拓特征.
• 为了提高预测潜在miRNA-疾病关联的准确性.

主要方法:

• 构建了节点类别明智的元路径,以整合相似性和关联关系,捕捉更高阶邻近的拓结构.
• 开发了一个元路径特定的图形卷积网络 (GCN) 模块,以学习从更高阶邻居的语义节点表示.
• 采用全局感知图形卷积自编码器进行网络视图特征学习,并结合了信息特征和表示的注意力机制.
• 利用并行卷积-解卷积神经网络来增强miRNA-疾病对的本地特征学习.

主要成果:

• 在预测miRNA与疾病的关联方面,MDAP显著超过了现有的最先进的方法.
• 废弃实验证实了MDAP核心创新的有效性,包括元路径构建和注意力机制.
• 对三种疾病的案例研究表明,MDAP有能力发现新的,可能与疾病相关的miRNAs.

结论:

• 通过全面利用网络拓和节点特征,MDAP提供了一个强大的和有效的框架来识别与疾病相关的miRNA.
• 拟议的方法推进了miRNA疾病关联预测领域,为生物医学研究和临床应用提供了宝贵的见解.
• MDAP能够捕捉全球和本地特征,以及更高层次的拓信息,是其卓越性能的关键.