基于自适应的元路径选择的异质空间增强用于circRNA-Disease协会预测预测

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:

• 循环RNAs (circRNAs) 是通过miRNA海绵的基因表达和疾病的关键调节者.
• 目前分析circRNA相互作用的方法依赖于手动元路径构造,经常引入噪音并阻碍特征发现.
• 改善特征分布和表示对于生物数据分析中强大的算法概括至关重要.

研究的目的:

• 开发一种适应性元路径选择方法 (AdaMH),用于增强circRNA分析.
• 解决手动元路径选择,数据稀疏性和生物网络中特征表示方面的挑战.
• 提高分析circRNA功能和疾病关联的模型的预测准确度和概括能力.

主要方法:

• 提出AdaMH,一种自适应的元路径选择策略,在训练过程中自动识别相关的异质路径.
• 集成的图形对比学习引入受控噪声,确保在稀疏的数据中均的特征分布.
• 利用多头注意力机制来捕捉高维异质特征空间中的复杂关系.

主要成果:

• 与最先进的算法相比,AdaMH表现出卓越的性能.
• 该方法在七个不同的评估指标中实现了超过0.95的性能值.
• AdaMH有效地识别了高度相关的隐藏特征,并提高了表示能力.

结论:

• 在分析circRNA介导的基因调节和疾病关联方面,AdaMH提供了重大进展.
• 适应性方法和噪声注入提高了模型的稳定性和预测能力.
• 这种方法提供了一种更有效的方法,可以从异质网络数据中捕获复杂的生物相互作用.