DGCLCMI:一种深度图协作学习方法,用于预测circRNA-miRNA相互作用
Chao Cao1,2, Mengli Li2, Chunyu Wang3
1Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China, Chengdu, Sichuan, 611731, China.
BMC biology
|April 23, 2025
概括
本研究介绍了DGCLCMI,这是一种深度图形学习方法,用于预测循环RNA (circRNA) 和微RNA (miRNA) 相互作用. 这种新的方法显著提高了预测准确度,有助于理解与疾病相关的分子机制.
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) 作为miRNA海绵,调节基因表达和疾病.
- 湿实验室方法用于circRNA-miRNA关联分析是昂贵和耗时的.
- 现有的计算模型缺乏对circRNA-miRNA相互作用的深度特征提取,限制了预测准确度.
研究的目的:
- 开发一种有效的计算方法来预测circRNA-miRNA相互作用.
- 通过捕获深度协作信息来改善circRNAs和miRNAs的特征表示.
- 克服当前模型在分析circRNA-miRNA相互作用中的高阶关系方面的局限性.
主要方法:
- 提出了一种新的深度图形协作学习方法 (DGCLCMI).
- 使用word2vec对文字嵌入中的序列编码.
- 开发了一个联合模型,将改进的神经图协作过与特征提取网络相结合.
主要成果:
- 与以前的方法相比,DGCLCMI实现了更高的性能,在三个数据集中平均AUC为0.960.
- 该方法有效地将深度交互信息嵌入到序列表示中,以进行准确的预测.
- 一个案例研究验证了该模型,预测的20个未知circRNA-miRNA相互作用中的18个是准确的.
结论:
- 通过深度协作信息,DGCLCMI增强了circRNA和miRNA特征表示.
- 该模型展示了circRNA-miRNA关联的优异预测性能.
- DGCLCMI促进发现新的关联及其在生理过程中的作用.


