DCSGMDA:基于堆叠深度学习协作梯度分解的双通道卷积模型,用于预测miRNA-疾病关联

科学领域:

• 生物医学信息学 生物医学信息学
• 基因组学就是基因组学.
• 计算生物学 计算生物学

背景情况:

• 微RNAs (miRNAs) 是人类疾病的关键生物标志物,与疾病发病和进展相关的异常表达.
• 了解miRNA与疾病的关系对于阐明病原和推进治疗策略至关重要.
• 许多miRNA-疾病的关联仍然未被发现,阻碍了全面的研究.

研究的目的:

• 开发一种新的计算模型,用于预测潜在的miRNA-疾病关联.
• 利用深度学习技术来增强特征提取和相关性预测.
• 为进一步的生物研究确定新的miRNA-疾病关系.

主要方法:

• 构建了miRNA和疾病相似性网络,以及一个关联网络.
• 员工堆叠深度学习和梯度分解用于特征挖掘.
• 利用双通道卷积神经网络和多层感知子来预测关联.
• 在HMDD数据集上使用5倍和10倍交叉验证验证模型.

主要成果:

• 拟议的双通道卷积模型 (DCSGMDA) 在预测miRNA-疾病关联方面表现强.
• 交叉验证实验证实了该模型在不同数据集中的有效性.
• 废除,参数和比较研究进一步验证了该模型的稳定性和优越性.

结论:

• DCSGMDA有效地预测了miRNA与疾病的关联,为生物医学研究提供了有价值的工具.
• 该模型有助于揭示新的关系,有助于更深入地了解疾病机制.
• 这种方法有可能加速药物发现和个性化医疗.