ConvNTC:用于检测"A-A-B"类型生物三胞胎的卷积神经张量完成
Pei Liu1,2, Xiao Liang1, Yue Li2
1Department of Computer Science, College of Computer Science and Electronic Engineering, 116 Lu Shan South Road, Hunan University, Changsha 410082, Hunan, China.
Briefings in bioinformatics
|August 1, 2025
概括
这项研究引入了卷积神经张量完成 (ConvNTC) 来建模复杂的分子相互作用. ConvNTC准确地预测了分子三胞胎,有助于发现疾病机制和药物开发.
科学领域:
- 计算生物学是一种计算生物学.
- 生物信息学是一种生物信息学.
- 网络科学 网络科学
背景情况:
- 了解分子相互作用是疾病研究和治疗的关键.
- "A-A-B"三重组范例模型是特定于背景的分子关系.
- 基于张量器的方法难以捕捉多线性和非线性相互作用特征.
研究的目的:
- 开发一个新的框架,卷积神经张量完成 (ConvNTC),用于建模"A-A-B"类型的三重相互作用.
- 整合多线性和非线性建模方法,以增强三重组预测.
- 提高识别特定环境分子相互作用的准确性.
主要方法:
- 提出了一种具有多线性和非线性模块的卷积神经张量完成 (ConvNTC) 框架.
- 使用张量分解,对因子嵌入有约束.
- 包含一个嵌入式生成器,卷积编码器和Kolmogorov-Arnold网络 (KAN) 预测器,用于非线性特征映射和关系捕获.
主要成果:
- 与11种最先进的方法相比,ConvNTC在三倍预测方面表现优越.
- 在miRNA-miRNA-disease和药物-药物-细胞三重组数据集上进行评估.
- 确定了乳腺癌中的miRNA-miRNA相互作用和癌细胞系中的协同药物组合的预后值.
结论:
- ConvNTC有效地模拟多线性和非线性特征,以准确预测三重组.
- 该框架显示了促进疾病机制研究和治疗策略开发的潜力.
- ConvNTC为分析复杂的生物网络提供了一个强大的工具.
更多相关视频
12:27Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations
Published on: February 15, 2017
7.1K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.9K
