使用变量图形自编码器准确识别snoRNA目标,以推进传统药物的重新开发
Zhina Wang1,2, Yangyuan Chen3, Hongming Ma1,2
1Department of Pulmonary and Critical Care Medicine II, Emergency General Hospital, Beijing, China.
Frontiers in pharmacology
|January 21, 2025
概括
这项研究引入了一种人工智能模型,准确预测小核核RNA (snoRNA) 治疗点,用于肺癌等疾病. 这种新的方法通过提高预测准确性和数据适应性来增强传统药物再开发.
科学领域:
- 生物医学信息学 生物医学信息学
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 小核RNA (snoRNA) 失调与包括肺癌在内的疾病有关,为传统医学重建提供了机会.
- 准确预测snoRNA治疗点对于早期疾病干预和药物再开发至关重要.
- 目前用于snoRNA目标预测的AI方法面临着不平衡数据集和图形神经网络 (GNN) 节点表示问题等挑战.
研究的目的:
- 开发一种先进的AI模型,准确预测潜在的snoRNA治疗点.
- 解决现有人工智能方法的局限性,特别是不平衡的数据集和高度节点在 GNN 中的主导地位.
- 通过识别新型snoRNA目标来增强传统药物再开发的过程.
主要方法:
- 提出了一个人工智能模型,将变量图形自编码器 (VGAEs) 与解和科尔摩戈罗夫-阿诺德网络 (KAN) 技术集成在一起.
- 通过学习集成的snoRNA和疾病表示来重建snoRNA疾病图.
- 通过将相似性与节点度脱而出,减轻了高度节点主导,提高了节点表示精度.
主要成果:
- 拟议的AI模型准确地确定了潜在的snoRNA治疗点,证明了肺癌的预测准确度提高.
- 该模型通过KAN技术提高了对新数据的适应性和灵活性.
- 案例研究发现SNORA21和SNORD33在肺癌和潜在治疗点中异常表达.
结论:
- 开发的AI模型有效地识别了肺癌等疾病的治疗点,支持早期查和治疗.
- 这些发现促进了传统药物的重新开发,通过提供一种强大的工具来识别snoRNA标.
- 该模型处理数据挑战的能力提高了其在生物医学研究和药物发现中的实用性.
