HGTMDA:一种超图学习方法,使用改进的GCN转换器进行miRNA-Disease关联预测

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与疾病的关联对于理解疾病机制和开发诊断至关重要.
• 图形神经网络 (GNN) 显示出希望,但与数据噪声和整合多样化的信息扎.
• 现有的方法往往无法在miRNA疾病数据中捕获复杂的本地和全球模式.

研究的目的:

• 开发一个先进的计算框架,以准确识别miRNA与疾病的关联.
• 克服现有GNN在处理噪音数据和整合本地/全球信息方面的局限性.
• 在miRNA-疾病关联研究中提高预测性能.

主要方法:

• 构建了多个同质相似性网络和一个miRNA疾病异质超图.
• 实施了一种基于重启的关联掩盖策略的新型随机步行,以减轻数据噪声.
• 采用增强的 GCN-Transformer 模型,有效提取本地和全球信息.
• 为了模型优化,利用了Dice交叉损失函数的组合.

主要成果:

• 与最先进的方法相比,HGTMDA在各种评估指标上表现出卓越的表现.
• 对肺癌和结直肠癌的案例研究证实了该模型的实际有效性.
• 该框架成功地减少了噪音数据的影响,并改善了信息利用.

结论:

• HGTMDA为miRNA-疾病关联推断提供了一种强大而有效的方法.
• 该方法集成本地和全球信息的能力提高了预测准确度.
• HGTMDA对推进诊断工具和了解疾病病原发生有很大的潜力.