面具引导目标节点特征学习和动态详细特征增强用于lncRNA-Disease关联预测
Ping Xuan1,2, Wei Wang1, Hui Cui3
1Department of Computer Science and Technology, Shantou University, Shantou 515063, China.
Journal of chemical information and modeling
|August 7, 2024
概括
这项研究引入了MDLD,一种用于预测与疾病相关的长非编码RNA (lncRNAs) 的新方法. MDLD 增强了用于 lncRNA 疾病预测的特征学习,优于现有方法并帮助疾病研究.
科学领域:
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
- 基因组学就是基因组学.
背景情况:
- 识别与人类疾病相关的长非编码RNA (lncRNAs) 对于理解疾病机制至关重要.
- 现有的图形推断方法用于lncRNA疾病关联预测可能无法完全利用目标节点特征.
研究的目的:
- 提出一种新的方法,MDLD,用于增强 lncRNA-疾病关联预测.
- 在预测模型中改进目标 lncRNA 和疾病节点的优先级.
主要方法:
- 开发了一种异质图形蒙面变压器自编码器,用于面具引导的目标节点特征学习.
- 实现了一个带有动态余数 (GCNDR) 的图形卷积网络,以整合异质节点特征并减轻过度平滑.
- 设计了一个视角级别的注意力机制,以捕获 lncRNA-疾病对的信息特征.
主要成果:
- 在交叉验证实验中,MDLD显著超过了10种最先进的预测方法.
- 废弃性研究证实了MDLD成分的有效性.
- 案例研究表明,MDLD有能力识别与疾病相关的新型 lncRNA.
结论:
- MDLD为 lncRNA-疾病关联预测提供了一个强大的框架.
- 该方法通过专注于目标节点和整合动态拓信息来增强特征学习.
- 在人类疾病中发现新的生物标志物和治疗点方面,MDLD显示出前景.
