基于带有动态注意力和规范化的光谱图形变压器预测miRNA-疾病关联

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RNAs (miRNAs) 在人类疾病的发病过程中至关重要.
• 图形神经网络 (GNN) 显示出分析miRNA与疾病关系的前景.
• 现有的GNN方法在有效性和节点灵敏度方面扎.

研究的目的:

• 开发一个先进的深度学习模型来准确预测miRNA-疾病关联 (MDA).
• 为了克服当前基于GNN的MDA预测方法的局限性.
• 介绍DARSFormer,一个利用动态注意力和光谱图变换器的模型.

主要方法:

• 构建了一个miRNA疾病异质网络.
• 应用光谱分解和直角GNN用于特征精细化.
• 使用了一个图形变换器,对特征合并有动态关注.
• 使用投影层来计算MDA分数.

主要成果:

• 在HMDD v2.0上达到了94.18%的AUC,在HMDD v3.2.2.0上达到了95.27%的AUC.
• 在预测结直肠,食道和前列腺癌的顶部关联miRNA方面表现出高准确性.
• 与外部数据库 (dbDEMC,miR2Disease) 进行验证的预测.

结论:

• DARSFormer显著提高了miRNA-疾病关联预测的准确性.
• 该模型的动态注意力和光谱图变压器组件是其性能的关键.
• DARSFormer提供了一个强大的工具,用于推进与疾病相关的miRNA分析研究.