一种深度学习方法,用于将细胞外miRNA与mRNA集成到癌症研究中

科学领域:

• 生物技术是生物技术.
• 生物信息学是一种生物信息学.
• 基因组学就是基因组学.

背景情况:

• 细胞外miRNAs (exmiRs) 和细胞内mRNAs是关键的生物标志物和治疗点.
• 目前用于exmiR数据的方法受到噪音的影响,mRNA分析需要侵入性程序.
• 改善exmiR数据质量和非侵入性mRNA评估对于疾病研究至关重要.

研究的目的:

• 开发一种新的深度学习模型,用于交叉预测exmiR和mRNA.
• 整合exmiR和mRNA数据,以提高生物标记物的发现.
• 为了从exmiR数据中进行细胞内mRNA表达的非侵入性评估.

主要方法:

• 开发了CrossPred,这是一个使用对比学习的深度学习多编码器模型.
• 创建了一个共享的嵌入空间,以集成exmiR和mRNA数据.
• 应用该模型从exmiR数据中预测mRNA,反之亦然,对癌症数据集进行评估.

主要成果:

• 与基线模型 (编码器-解码器,exmiR/mRNA特定,VAE) 相比,CrossPred显示出更高的性能.
• 该模型成功地从杂的exmiR数据中预测了细胞内mRNA表达.
• 确定了与癌症相关的关键exmiRs和mRNAs,揭示了它们的双向关系.

结论:

• CrossPred提供了一个强大的工具,用于整合exmiR和mRNA数据.
• 这项研究为疾病中exmiRs和mRNAs之间的复杂相互作用提供了新的见解.
• 这种方法促进了非侵入性的生物标志物发现和疾病机制调查.