以相似性为指导的图形对比学习用于 lncRNA-疾病关联预测

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 长非编码RNAs (lncRNAs) 是生物过程的关键调节者,并与人类疾病有关.
• 鉴定lncRNA与疾病的关联的传统实验方法耗时且昂贵.
• 由于数据稀缺,计算方法,特别是深度学习,对于准确的预测至关重要.

研究的目的:

• 开发一种先进的计算模型,用于预测长非编码RNA (lncRNA) 与疾病的关联.
• 为了应对有限的经过验证的 lncRNA-疾病关联数据的挑战.
• 利用图形神经网络和对比学习的优势,提高预测准确性.

主要方法:

• 提出了一个新的类似性导向图谱对比学习 (SGGCL) 模型.
• 实施了以相似性为指导的图形数据增强技术,以生成高质量的样本对.
• 利用随机步行与重启 (RWR) 算法和图形卷积神经网络进行对比学习.

主要成果:

• 该SGGCL模型在多个数据集上展示了卓越的预测性能.
• 该方法在预测 lncRNA-疾病关联方面显示出显著的可扩展性.
• 在精度和效率方面,SGGCL的性能超过了现有的最先进的方法.

结论:

• SGGCL模型为 lncRNA-疾病关联预测提供了一种强大而准确的方法.
• 图形神经网络和对比学习的集成有效地处理数据稀缺.
• 这项工作推进了计算策略,以了解 lncRNAs 在人类疾病中的作用.