SMDPG:通过优化负采样和稀疏图卷积网络识别代谢物-疾病关联.
IEEE transactions on computational biology and bioinformatics
|August 14, 2025
概括
这项研究介绍了SMDPG,这是一种用于预测代谢物与疾病相关性的新计算方法. 通过优化负样本和使用稀疏图形卷积网络,SMDPG提高了疾病诊断和治疗的预测准确性.
科学领域:
- 生物化学 生物化学
- 计算生物学 计算生物学
- 基因组学就是基因组学.
背景情况:
- 识别代谢物与疾病的关联对于疾病的诊断和治疗至关重要.
- 预测代谢物-疾病关联的现有计算方法经常遭受不可靠的负样本的影响,影响预测准确性.
研究的目的:
- 提出一种新的方法,即SMDPG (稀疏代谢物疾病预测图),用于准确预测代谢物与疾病的关联.
- 通过优化计算模型中负样本的可靠性来提高预测准确度.
主要方法:
- 构建了代谢物-疾病双部分图,并采用了优化的负样采样策略来选择可靠的负样.
- 开发了一种同质的代谢物-疾病对图形,并使用边缘稀疏性操作.
- 在简化的同质图上使用图形卷积网络 (GCN) 进行预测.
主要成果:
- 与现有方法相比,SMDPG在预测代谢物与疾病的关联方面表现出更高的准确性.
- 实验结果验证了优化负采样和稀疏GCN方法的有效性.
结论:
- SMDPG提供了一个有效的框架,用于识别潜在的代谢物与疾病的关联.
- 该方法优化负样本的能力显著提高了预测可靠性和准确性.


