基于双路径特征提取网络与多个信息集成来源预测 lncRNA-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:

• 识别长非编码RNA疾病关联 (LDA) 对疾病管理至关重要.
• 对于LDA发现的湿实验是昂贵和耗时的.
• 计算方法为预测LDA提供了一个有效的替代方案.

研究的目的:

• 推出DPFELDA,一个双路特征提取网络,用于准确的LDA预测.
• 为了解决节点特征在图形神经网络中的过度平滑,基于 LDA 预测.
• 整合多个来源的信息,以改善LDA预测.

主要方法:

• 构建了一个双视图 lncRNA-疾病结构和一个异质的 lncRNA-疾病-miRNA网络.
• 采用了结合GCN,CBAM和节点聚合的双路径网络,用于拓特征提取.
• 使用变压器模型进行节点特定特征和XGBoost进行最终LDA预测.

主要成果:

• 在多个数据集上,DPFELDA显著超过了现有的基准模型.
• 该模型有效地缓解了节点功能过度平滑问题,这是图形学习中常见的问题.
• 废弃性研究验证了单个模块的贡献,案例研究证实了预测准确性.

结论:

• DPFELDA提供了一种强大而准确的计算方法,用于预测lncRNA与疾病的关联.
• 该方法通过识别新的 lncRNA-疾病联系,提高了对疾病机制的理解.
• DPFELDA代表了用于疾病研究的计算生物信息学的重大进步.