CLHGNNMDA:通过对比学习增强的超图神经网络模型用于miRNA-Disease协会预测
Rong Zhu1, Yong Wang2, Ling-Yun Dai1
1School of Computer Science, Qufu Normal University, Rizhao, China.
概括
这项研究介绍了CLHGNNMDA,这是一种用于预测微RNA (miRNA) 和疾病关联的新型模型. 该方法显著提高了准确性,有助于疾病预防,治疗和药物发现.
科学领域:
- 生物信息学是一种生物信息学.
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 微RNAs (miRNAs) 是基因表达的关键调节者.
- 微RNAs的失调与各种复杂疾病有关.
- 准确预测miRNA与疾病的关联对于临床医学和药物开发至关重要.
研究的目的:
- 开发一种先进的计算模型,用于预测miRNA与疾病的关联.
- 利用超图神经网络和对比学习来提高预测准确性.
主要方法:
- 基于miRNA和疾病相似度指标构建多重超图.
- 应用超图卷积和自动编码器用于特征提取和集成.
- 使用联合对比损失函数与多重图对比学习.
主要成果:
- 在CLHGNNMDA模型中,ROC曲线下的平均面积 (AUC) 为0.9635.5.
- 该模型获得了0.9656.6的精度回调曲线 (AUPRC) 下的平均面积.
- 绩效指标显著超过了现有的最先进的方法.
结论:
- 在预测miRNA与疾病的关联方面,CLHGNNMDA表现出卓越的疗效.
- 该模型的方法通过多重图形对比学习来增强表示能力.
- 这种预测能力对促进疾病理解和治疗策略具有重大潜力.
