GPLMD:一种多任务图形学习框架,用于推断lncRNA,miRNA和疾病之间的关系

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:

• 长非编码RNAs (lncRNAs) 和microRNAs (miRNAs) 在疾病发病过程中至关重要,影响预防,诊断和治疗.
• 对lncRNA-miRNA-疾病关联的实验验证是昂贵和耗时的,需要高效的计算方法.
• 现有的计算方法往往无法整合多样化的生物数据或在相关的预测任务中利用共享知识.

研究的目的:

• 开发一种新的计算模型,GPLMD,用于推断lncRNAs,miRNAs和疾病之间的复杂关系.
• 解决单任务预测的局限性,并从多种图形结构中增强复杂的生物相互作用的建模.
• 提高预测lncRNA-疾病关联 (LDA),miRNA-疾病关联 (MDA) 和lncRNA-miRNA相互作用 (LMI) 的准确性和效率.

主要方法:

• 构建多种图形类型:双部分,特征结构和元路径图形,捕捉生物分子连接.
• 采用基于图形卷积网络 (GCN) 的解码器来学习节点拓,以及基于注意力的方法来整合多种图形视图.
• 集成卷积神经网络 (CNN) 与图形学习嵌入式用于分类任务的联合优化.

主要成果:

• 在两个基准数据集上,GPLMD在预测lncRNA-疾病关联 (LDA),miRNA-疾病关联 (MDA) 和lncRNA-miRNA相互作用 (LMI) 方面显著优于基线方法.
• 案例研究验证了GPLMD在识别新型疾病相关的lncRNA和miRNA方面的能力,证明了其实际实用性.
• 该模型成功地整合了多种类型的邻居拓和丰富的全球表示,以获得准确的关系推理.

结论:

• GPLMD提供了一种强大而综合的方法来预测lncRNA-miRNA-疾病的关联,克服现有方法的局限性.
• 该模型利用多样化的生物数据和复杂的图形结构的能力提高了预测的准确性.
• 在疾病研究中,GPLMD有望加速新生物标志物和治疗点的发现.