SAGCN:使用图形卷积网络与子图形意识用于circRNA药物敏感性识别.
概括
这项研究介绍了SAGCN,这是一种用于预测循环RNA药物敏感性关联 (CDA) 的计算方法. SAGCN准确地识别了这些关键的联系,帮助癌症治疗和药物发现.
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) 与癌症的发展和耐药性有关.
- circRNA表达显著影响细胞药物敏感性.
- 识别circRNA-药物敏感性关联 (CDA) 对推进癌症治疗和药物发现至关重要.
研究的目的:
- 为了解决实验性CDA识别的耗时和昂贵性质.
- 开发一种有效的计算方法来预测CDA.
- 为CDA预测提出子图感知图卷积网络 (SAGCN).
主要方法:
- 构建了一个整合circRNA相似性,药物相似性和circRNA-药物双边网络的异质网络.
- 采用了利用图形卷积网络的子图抽取器来学习隐藏的网络结构.
- 集成的1-hop和2-hop信息使用融合注意力机制和一个新的子图意识注意力机制.
主要成果:
- 在SAGCN模型中,平均AUC为0.9120和AUPR为0.8693.
- 在十倍交叉验证方面,SAGCN的表现优于现有的最先进模型.
- 案例研究验证了SAGCN在识别circRNA与药物敏感性联系方面的能力.
结论:
- SAGCN提供了一种有效的计算方法,用于预测circRNA-药物敏感性关联.
- 该方法为加速药物发现和优化癌症治疗提供了宝贵的工具.
- SAGCN的表现突显了基于图形的深度学习在生物网络分析中的潜力.


