图形RPI:通过图形自编码器和自我监督学习策略预测RNA-蛋白相互作用

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:

• RNA-蛋白相互作用 (RPIs) 对于细胞功能和疾病的发病过程至关重要.
• 现有的用于RPI检测的实验方法资源密集.
• 需要计算方法来有效地预测RPI.

研究的目的:

• 开发一种新的,基于序列的计算框架,用于预测RNA-蛋白相互作用 (RPI).
• 解决现有的RPI预测方法的局限性,包括特征集成和负样本构造.
• 使用图形神经网络 (GNN) 提高RPI预测的准确性和稳定性.

主要方法:

• 在统一的相互作用图中将RNA和蛋白质表示为节点.
• 采用多特征融合来增强RPI对的表现.
• 利用自我监督的学习策略进行模型培训.
• 在多个RPI数据集上使用五倍交叉验证验证性能.

主要成果:

• 在各种 RPI 数据集中实现了高精度 (例如,在 RPI1807 上为 0.979).
• 在跨物种概括测试中表现出卓越的性能,总准确率为0.989.
• 在稳定性和稳定性方面表现优于现有的最先进的RPI预测方法.

结论:

• 拟议的基于GNN的框架为基于序列的RPI预测提供了一个强大而稳定的方法.
• 这种方法具有广泛的生物应用和大规模RPI分析的巨大潜力.
• 该方法为传统劳动密集型RPI检测技术提供了有效的替代方案.