HPTRMF:基于协作矩阵因子化的预测方法,用于使用高顺序扰乱和灵活的三因素调节来预测LncRNA-疾病关联.
Guobo Xie1, Dayin Li1, Zhiyi Lin1
1School of Computer Science, Guangdong University of Technology, Guangzhou 510006, China.
Journal of chemical information and modeling
|July 26, 2024
概括
通过解决数据稀疏性和非线性损失,HPTRMF有效地预测长非编码RNA (lncRNA) -疾病关联. 这种新的矩阵因子化方法在交叉验证测试中表现优于现有的算法.
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:
- 预测长非编码RNA (lncRNA) -疾病关联对于理解疾病机制至关重要.
- 现有的矩阵因子化方法与冷启动问题和非线性数据丢失作斗争.
研究的目的:
- 引入HPTRMF,一种新的矩阵因子化方法,旨在克服 lncRNA-疾病关联预测的局限性.
- 提高 lncRNAs 与疾病之间的相关性预测的准确性和稳定性.
主要方法:
- HPTRMF利用高阶扰动来构建一个相关性矩阵,有效地解决数据稀疏性和冷启动问题.
- 一个灵活的三因素规范化术语被纳入,以捕捉lncRNA和疾病数据中的复杂相似性模式,减轻非线性数据丢失.
主要成果:
- 与三个数据集中的九个最先进的算法相比,HPTRMF表现出卓越的性能.
- 通过假期一次的交叉验证 (LOOCV) 和五倍交叉验证 (5倍CV) 验证证了HPTRMF的有效性.
结论:
- 在预测lncRNA与疾病的关联方面,HPTRMF提供了显著的进步,优于现有的方法.
- 该方法有效地处理数据稀疏性和非线性,为生物研究提供更可靠的工具.
