基于优化多图规律化矩阵因子化的测量措施的 lncRNA-疾病关联预测

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:

• 长非编码RNAs (lncRNAs) 在各种生物过程和疾病中发挥着关键作用.
• 准确预测lncRNA与疾病的关联对于理解疾病机制和开发诊断至关重要.
• 现有的 lncRNA-疾病关联预测计算方法在准确性和范围上有局限性.

研究的目的:

• 开发一种新且准确的计算算法,用于预测lncRNA与疾病的关联.
• 为了提高预测性能,利用多图的规范化矩阵分解.
• 通过交叉验证,对拟议的算法与已建立的方法进行验证.

主要方法:

• 提出了一个名为优化多图规则化矩阵因子化 (OM-MGRMF) 测量的新型算法.
• 计算疾病的语义相似性,lncRNAs的功能相似性和高斯相似性.
• 使用K-近邻 (KNN) 算法构建了一个lncRNA-疾病关联矩阵.
• 制定了一个包含排名指标和多图规范化约束的客观函数.
• 通过自适应梯度下降算法优化了目标函数.

主要成果:

• OM-MGRMF算法实现了比经典方法更高的预测准确度.
• 实验结果证明了在K折交叉验证中提出的方法的有效性.
• 该方法成功地整合了多种相似性测量和规范化技术.

结论:

• OM-MGRMF算法代表了 lncRNA-疾病关联的计算预测的重大进步.
• 拟议的方法提供了一个强大的框架,用于识别新的lncRNA-疾病关系.
• 这项工作通过为基因组研究提供更准确的工具,为生物信息学领域做出了贡献.