根据三方异质网络的元路聚合,预测疾病与代谢物之间的关联
1School of Computer and Communication, Lanzhou University of Technology, Lanzhou, 730050, China.
Interdisciplinary sciences, computational life sciences
|August 7, 2024
概括
一个新的深度学习模型,MAHN,通过将微生物整合到三方网络中,有效地识别与疾病相关的代谢物. 这种方法为疾病诊断和治疗开发提供了更准确,更有效的方法.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 机器学习 机器学习
背景情况:
- 疾病代谢物相互作用对于诊断和治疗至关重要.
- 传统的实验方法是低效的;当前的计算方法缺乏整体的生物背景.
研究的目的:
- 开发一种新的深度学习模型,即异质网络的metapath聚合 (MAHN),用于识别与疾病相关的代谢物.
- 通过结合微生物影响来克服现有的计算方法的局限性.
主要方法:
- 构建了一个包括微生物在内的三方异质网络.
- 采用了图形卷积网络和增强的GraphSAGE来进行特征学习 (元路长3).
- 用于特征聚合 (元路长2) 的注意力机制和用于关联概率的双线解码器.
主要成果:
- 在交叉验证中,MAHN实现了高性能 (Acc 91.85%,AUC 97.39%).
- 超过了四个最先进的算法.
- 对刺激性肠综合征和肥胖症的案例研究验证了MAHN的预测准确性.
结论:
- MAHN是一种可靠的工具,用于发现潜在的与疾病相关的代谢物.
- 集成多omics数据的深度学习模型是预测与疾病相关的生物实体的未来.
