一个新的端到端学习框架,用于推断基于卷积神经网络的 lncRNA-疾病关联
Shunxian Zhou1, Sisi Chen2, Jinhai Le2
1College of Information Science and Engineering, Hunan Women's University, Changsha, China.
Frontiers in genetics
|April 24, 2025
概括
一个新的计算模型,CNMCLDA,有效地预测了长非编码RNA (lncRNA) -疾病的关联. 该框架利用卷积神经网络,在交叉验证研究中实现了卓越的性能,有助于未来的研究.
科学领域:
- 计算生物学是一种计算生物学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 准确预测长非编码RNA (lncRNA) -疾病关联对于理解疾病机制至关重要.
- 现有的计算模型提供了有价值的见解,但在预测准确性和特征提取方面存在局限性.
研究的目的:
- 引入 CNMCLDA,这是一个新的端到端学习框架,用于预测 lncRNA-疾病关联.
- 通过深度学习提高识别潜在 lncRNA-疾病关系的准确性.
主要方法:
- 利用两个卷积神经网络 (CNN) 来提取疾病和 lncRNA 的隐藏特征.
- 集成提取的特征与已知的lncRNA疾病协会设计五个损失函数.
- 采用基于损失函数错误的反向传播,以适应模型参数并完成lncRNA-疾病关系矩阵.
主要成果:
- 与最先进的模型相比,CNMCLDA在五倍,十倍和一个疾病的交叉验证中表现出优异的预测性能.
- 胃癌,质瘤和乳腺癌的案例研究显示,最高预测的lncRNAs的验证率很高 (分别为19,17和20分之16).
结论:
- CNMCLDA是一个强大而有效的工具,用于预测潜在的lncRNA疾病关联.
- 该模型在交叉验证和案例研究中的强表现表明它在未来的生物医学研究和诊断中具有实用性.
