门增强的等级结构学习在超模空间和多尺度邻居拓学在欧几里德空间的学习,以预测微生物和药物之间的关联

科学领域:

• 微生物学 微生物学
• 计算生物学 计算生物学
• 药理学 药理学是指药理学的学科.

背景情况:

• 预测微生物与药物之间的关联对于理解微生物对药物功能的影响至关重要.
• 现有的方法往往忽视了微生物药物网络中固有的等级结构.
• 超标空间比欧几里得空间更适合表示层次数据.

研究的目的:

• 提出一种多空间特征学习 (MFLP) 方法,用于增强微生物与药物相关性预测.
• 为了利用层次结构的超标空间和多尺度拓学的欧几里德空间.
• 提高微生物药物协会预测的准确性和适用性.

主要方法:

• 将微生物-药物网络节点投射到超标空间中的球体上,以创建层次的属性嵌入.
• 采用一个门增强的超标图形神经网络来聚合节点信息.
• 使用邻里随机走路生成多级邻居拓嵌入.
• 利用独立的图形卷积神经网络在欧几里德空间中的拓表示.

主要成果:

• 在交叉验证实验中,MFLP与几种先进的预测方法相比表现优越.
• 废弃实验证实了MFLP核心创新的有效性.
• 案例研究表明,MFLP有潜力发现特定药物的候选微生物.

结论:

• MFLP有效地整合了层次和多尺度的拓特征,以准确地预测微生物与药物之间的关联.
• 该方法为识别影响药物疗效的微生物提供了一种有前途的方法.
• 在药物发现和个性化医疗方面,MFLP具有实际应用.