基于邻近结构嵌入和签名图表表示学习的多任务预测方法,以推断circRNA,miRNA和癌症之间的关系

科学领域:

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

背景情况:

• 竞争的内源RNA (ceRNA) 在细胞基因调节中起着至关重要的作用.
• 了解循环RNA (circRNA),微RNA (miRNA) 和癌症相互作用对于疾病诊断和治疗至关重要.
• 之前的研究经常单独预测这些相互作用,限制了整体观点.

研究的目的:

• 开发一种多任务预测方法,同时推断circRNA-miRNA,circRNA-癌症和miRNA-癌症的关联.
• 通过采用整体视角来克服减少主义方法的局限性.
• 确定用于癌症诊断和预后的新生物标志物.

主要方法:

• 使用经过验证的监管数据构建了一个circRNA-miRNA-cancer关联网络 (CMCN).
• 雇佣了社区结构嵌入和排斥自动编码器用于特征提取.
• 利用签名图表表示学习与签名图表注意力网络用于分子特征传播.
• 应用了渐变增强决策树 (GBDT) 分类器用于最终的关联预测.

主要成果:

• 拟议的CMCSG方法有效地预测了circRNA,miRNA和癌症之间的关系.
• 案例研究证实了CMCSG在准确识别癌症生物标志物的能力.
• 该方法为预测多个分子关联提供了一个统一的框架.

结论:

• CMCSG提供了一种强大,综合的方法来理解癌症中复杂的ceRNA调节网络.
• 这种整体方法提升了改善癌症诊断和治疗的潜力.
• 这些发现强调了多任务学习在破译分子相互作用方面的重要性.