间隔共享信息整合和虚假负相关的减少在多源MiRNA-疾病关联预测预测

科学领域:

• 生物信息学是一种生物信息学.
• 基因组学就是基因组学.
• 计算生物学 计算生物学

背景情况:

• 微RNAs (miRNAs) 在疾病发展中至关重要,使得miRNA-疾病关联 (MDA) 识别对于了解疾病病因至关重要.
• 现有的MDA预测计算模型面临着多源相似性相互作用和"假负"关联的挑战.

研究的目的:

• 提出ISFNMDA,一种新的计算模型,用于推断潜在的miRNA-疾病关联 (MDA).
• 解决当前MDA预测模型的局限性,特别是关于多源相似性集成和"假负"数据的局限性.

主要方法:

• 利用多视图协作学习从多源miRNA和疾病相似性中提取特征.
• 使用图形结构动量对比学习优化关联拓,以减少虚假的相关性.
• 采用皮尔森相关系数对对制约和构建间隔共享信息约束.

主要成果:

• ISFNMDA有效地将多源相似性集成到一个统一的功能空间中.
• 该模型通过动量对比学习来减少虚假的相关性来优化图形拓.
• 实验结果显示,ISFNMDA在预测潜在的MDA方面优于现有方法,案例研究验证了其有效性.

结论:

• ISFNMDA为准确的miRNA-疾病关联预测提供了一个有效的计算框架.
• 该模型处理复杂数据交互和优化图形结构的能力为疾病病因学研究带来了重大进展.
• 这种方法提高了对疾病机制的理解,并促进了新型治疗点的识别.