基于对比学习的噪声一致的超图自编码器用于癌症 ceRNA协会预测在复杂的生物调节网络中的预测

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:

• 竞争性内源RNA (ceRNA) 网络对于理解复杂疾病中的非编码RNA作用至关重要.
• 传统的图形模型在生物网络中的远程依赖和噪音方面扎.
• 现有的超图模型在处理图级和节点级噪声方面存在局限性.

研究的目的:

• 提出一个噪声一致的超图形自编码器 (NCRAE) 框架,用于在ceRNA网络中强大的节点嵌入.
• 为了能够准确预测与癌症相关的ceRNA生物标志物.
• 为了提高在噪声存在时的预测性能.

主要方法:

• NCRAE使用了多视图对比学习策略,具有图表级和节点级的腐败.
• 结合了噪声一致性损失约束,以减轻对比学习偏差并增强噪声耐受性.
• 超图卷积和富里埃KAN技术用于有效的节点嵌入学习.

主要成果:

• 与现有方法相比,NCRAE表现出优越的性能,特别是在噪音条件下.
• 该框架实现了在ceRNA监管网络中嵌入学习的稳健节点.
• 实验结果验证了NCRAE在癌症生物标志物发现方面的稳定性和预测能力.

结论:

• NCRAE提供了一种强大的工具,用于识别与癌症相关的ceRNA生物标志物.
• 拟议的方法有效地解决了ceRNA网络分析中的噪声挑战.
• 在癌症生物标志物预测和发现方面,NCRAE显示出显著的实用价值.