副图形拓学和动态图形拓学 增强图形学习和配对特征上下文关系整合用于预测与疾病相关的miRNAs

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) 是人类疾病的关键生物标志物,使得与疾病相关的miRNAs的准确预测对于早期诊断至关重要.
• 现有的预测模型经常忽视miRNA-disease异质网络中的子图结构和上下文关系.

研究的目的:

• 开发SFPred,该模型整合了局部子图形拓,动态图形演变和对联特征上下文,以改进miRNA-疾病关联预测.
• 提高识别候选疾病相关miRNAs的准确性和可靠性.

主要方法:

• 基于邻近子图的基础上制定节点重要性.
• 采用多层感知子 (MLP) 进行动态图形拓构造,具有不断演变的节点特征.
• 使用上下文感知变压器来整合对对的miRNA-疾病特征关系.
• 实施一个多视角的残留策略,在编码层中保留详细的特征.

主要成果:

• 在预测miRNA与疾病的关联方面,SFPred显著超过了八种最先进的方法.
• 废弃实验证实了拟议的模型创新的有效性.
• 排名最高的候选miRNAs的高召回率和成功的案例研究表明了SFPred的实际实用性.

结论:

• 通过利用先进的图形编码和特征集成技术,SFPred提供了一种强大而有效的方法来预测miRNA疾病关联.
• 该模型显示了对可靠的候选miRNAs进行查的强大潜力,以进一步进行生物验证和推进疾病诊断.