PNAGMDA:一个主要的邻居聚合基于图形神经网络,用于miRNA-Disease协会预测

科学领域:

• 生物医学信息学 生物医学信息学
• 计算生物学 计算生物学
• 基因组学就是基因组学.

背景情况:

• 微RNA (miRNA) 是各种疾病的关键生物标志物,表达变异影响疾病途径.
• 预测miRNA与疾病的关联对于理解疾病机制和开发向疗法至关重要.
• 现有的图形神经网络 (GNN) 模型在捕获全面的节点表示和多样化的结构信息方面存在局限性.

研究的目的:

• 开发一种先进的计算方法,用于准确的miRNA疾病关联预测.
• 在学习节点表示中克服单个GNN模型和聚合方法的局限性.
• 利用集成数据集和先进的网络架构来提高预测性能.

主要方法:

• 从多个数据集中构建了一个加权的异质图,整合了miRNA-LncRNA-疾病相互作用.
• 使用主要邻近聚合 (PNA) 用于使用多个聚合器进行强大的节点表示提取.
• 从PNA和图表注意力网络 (GAT) 通过注意力机制来增强预测的功能融合.

主要成果:

• 拟议的PNAGMDA方法实现了高性能,曲线下的面积 (AUC) 值在HMDD v2.0上为93.82%,在HMDD v3.2.2.上为92.77%.
• 与现有方法相比,在预测miRNA-疾病关联方面表现出卓越的准确性.
• 案例研究验证了PNAGMDA在识别与疾病相关的miRNAs方面的可靠性和有效性.

结论:

• PNAGMDA为miRNA-疾病关联预测提供了一种强大而可靠的方法.
• PNA和GAT的整合有效地捕捉了生物网络中的复杂关系.
• 这种方法在促进生物标志物发现和个性化医学方面具有重大潜力.