探索基于双线异质图表表示学习的癌症潜在circRNA生物标志物

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:

• 计算模型为生物验证提供快速,高质量的候选者识别.
• 现有的模型在circRNA-疾病关联预测方面扎着稀疏的局部结构信息.
• 这项研究提出了CDA-DGRL来提高circRNA疾病关联预测的准确性.

研究的目的:

• 开发一种先进的计算方法来预测circRNA与疾病的关联.
• 利用深度学习和图形网络来提高预测准确度.
• 解决当前模型中关于稀疏数据利用的局限性.

主要方法:

• 整合生物信息,构建一个异质的circRNA疾病网络.
• 使用稀疏的自动编码器来提取节点特征.
• 使用图形卷积神经网络用于局部结构和node2vec用于全球结构.
• 用额外的树木分类器进行预测,融合了本地和全球结构.

主要成果:

• 在circR2Disease数据集上,CDA-DGRL取得了卓越的表现.
• 在五倍交叉验证中获得了0.9866的AUC和0.9897的AUPR.
• 在CDA-DGRL中的超随机树分类器超过了其他机器学习分类器.

结论:

• CDA-DGRL是可靠的circRNA疾病关联识别的有希望的方法.
• 该模型有可能减少对广泛的传统生物实验的需求.
• 源代码和数据是公开可用的可复制性.