预测药物-miRNA关联 结合SDNE与BIGRU

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:

• 异常的微RNA (miRNA) 表达与耐药性有关,使基于miRNA的疗法复杂化.
• 了解药物-miRNA关联 (DMA) 是至关重要的,但由于实验的局限性而具有挑战性.
• 深度学习提供了一种有前途的方法,可以有效地预测DMA.

研究的目的:

• 开发一种新的深度学习方法,SDNEDMA,用于准确预测药物-微RNA关联 (DMA).
• 整合药物和miRNA的拓和属性特征,以提高预测准确度.
• 解决DMA识别中常规实验方法的局限性.

主要方法:

• 提出了SDNEDMA,这是一个双通道深度学习模型,结合了深度神经网络 (SDNE) 和双向门式循环单元 (BiGRU).
• 利用SDNE从已知的药物-miRNA双部分网络中进行拓特征提取.
• 使用BiGRU提取miRNA k-mer序列特征和药物扩展连接指纹 (ECFP).

主要成果:

• 在使用5倍交叉验证的ncDR数据集上,SDNEDMA实现了0.9641的高曲线下面面积 (AUC).
• 与现有的最先进的DMA预测技术相比,该方法表现出更高的性能.
• 一个案例研究验证了SDNEDMA在预测DMA的准确性和可靠性.

结论:

• SDNEDMA准确有效地预测药物-miRNA关联,为药物开发提供了有价值的工具.
• 多种特征 (拓和属性) 的整合提高了预测性能.
• 这种计算方法克服了DMA发现传统实验方法的局限性.