MiRS-HF:用于癌症分类和miRNA表达模式的新型深度学习预测器

科学领域:

• 生物信息学是一种生物信息学.
• 基因组学就是基因组学.
• 计算生物学 计算生物学

背景情况:

• 准确的癌症分类和生物标志物识别对于个性化癌症治疗策略至关重要.
• 微RNAs (miRNAs) 在癌症的发展和进展中起着关键作用,使它们成为分析的有价值的目标.
• 整合miRNA关联和表达数据可以提高分类准确性和生物标志物发现.

研究的目的:

• 开发一种新的深度学习模型,即MiRNA选择和混合融合 (MiRS-HF),用于改进癌症分类和miRNA生物标记物识别.
• 为了有效地利用miRNA-疾病关联和miRNA表达特征,提高诊断能力.
• 确定与不同癌症类型相关的显著miRNA生物标志物及其表达模式.

主要方法:

• 拟议的MiRNA选择和混合融合 (MiRS-HF) 方法利用早期和中间融合技术.
• 雇佣层注意力图卷积网络 (LAGCN) 用于miRNA疾病异质网络分析以生成关联得分.
• 利用图形卷积网络 (GCN) 进行分类,按miRNA疾病关联得分加权表达数据.

主要成果:

• 与现有方法相比,MiRS-HF在分类六种不同类型的癌症方面表现出更好的表现.
• 在比较算法中纳入的特征权重策略显著改善了结果,强调了它的重要性.
• 该模型成功地确定了重要的miRNA生物标记物及其特征表达模式.

结论:

• 米尔斯-高频模型为癌症分类和生物标志物发现提供了强大而有效的深度学习框架.
• 通过混合融合策略将miRNA疾病关联与表达数据集成,可以提高诊断准确度.
• 鉴定的miRNA生物标志物和拟议的方法对推进个性化癌症治疗具有前景.