AGML:适应式基于图形的多标签学习,用于预测RBP,并在EMT期间作为事件关联
概括
这项研究引入了基于自适应图的多标签学习 (AGML),以识别在上皮层-介质细胞转换 (EMT) 期间与替代拼接 (AS) 相关的RNA结合蛋白 (RBPs). 该模型有效地预测RBP-AS事件关联,帮助癌症研究.
科学领域:
- 分子生物学分子生物学
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
背景情况:
- RNA结合蛋白 (RBPs) 是替代拼接 (AS) 的关键调节者.
- 替代拼接事件在表皮-介质细胞过渡 (EMT) 期间至关重要.
- 实验性识别RBP-AS事件关联是昂贵和复杂的,需要计算方法.
研究的目的:
- 开发一个高效的计算模型来推断在EMT期间RBPs和AS事件之间的隐藏关联.
- 确定参与在EMT期间调节AS的候选RBP.
主要方法:
- 开发了一个新的基于自适应图的多标签学习 (AGML) 模型.
- 采用多视图相似度矩阵来指导自适应图形学习.
- 利用多标签学习同时预测RBP和AS事件关联.
主要成果:
- AGML获得了高性能,AUC值为0.9521 (5倍CV) 和0.9873 (LOOCV).
- 该模型有效地捕捉了RBPs和AS事件的内在数据结构.
- 与现有方法相比,证明了AGML模型的优越性和有效性.
结论:
- AGML是一种高效可靠的工具,用于发现新型AS事件相关的RBP.
- 该模型的适用性扩展到预测其他生物实体之间的关联.
- 这项工作为EMT期间的AS监管机制提供了有价值的见解.


