基于高阶权重扰乱的多层次信息融合模型用于预测circRNA-疾病关联
Shanchen Pang1,2,3, Zheqi Song1, Yunyin Li1
1College of Computer Science and Technology, Qingdao Institute of Software, China University of Petroleum (East China), Qingdao 266580, China.
Journal of chemical information and modeling
|June 17, 2025
概括
这项研究引入了一种用于预测与疾病相关的循环RNA (circRNAs) 的新模型. 基于高阶加权扰动的多层信息融合模型 (HWP-MIFM) 有效地捕捉复杂的关系,以改善疾病机制的理解.
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) 在疾病开始和进展中发挥作用.
- 当前的计算方法往往错过了更高阶的circRNA疾病关联和多层次特征.
研究的目的:
- 开发一种新的计算模型,用于预测circRNA与疾病的关联.
- 通过捕捉高阶和多层特征来解决现有方法的局限性.
主要方法:
- 提出了基于高阶加权扰动的多层信息融合模型 (HWP-MIFM).
- 在动态重量调整和更高阶关联提取中使用了更高阶加权扰动.
- 采用双阶段矩阵因子化,用于多层结构构造和线性特征提取.
- 整合了一种双路径特征学习模块,以捕捉复杂的非线性关系.
主要成果:
- 与七种最先进的方法相比,HWP-MIFM在四个数据集的五倍交叉验证中表现出优越的整体性能.
- 废弃研究和案例分析验证了模型的准确性和实际实用性.
结论:
- HWP-MIFM模型提供了一种更全面的方法来预测circRNA-疾病关联.
- 这一进步有助于了解疾病机制,并确定潜在的治疗点.
