一个多源转换器引导图形表示学习框架,用于circRNA-Disease协会预测

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:

• 循环RNAs (circRNAs) 具有稳定性和组织特异性表达,使它们成为有希望的疾病生物标志物.
• 预测circRNA疾病关联对于早期诊断和治疗至关重要,但由于复杂的数据和传统方法的局限性而受到挑战.

研究的目的:

• 开发一个高精度的计算模型,MTGCDA,用于预测circRNA与疾病的关联.
• 解决信息整合,语义表达和信息丢失在现有预测方法中的局限性.

主要方法:

• MTGCDA将多源生物信息集成到具有多个节点和边缘类型的异质图中.
• 代表性学习是使用异质图形神经网络来捕获潜在的语义特征进行的.
• 一个多层异质图形卷积网络融合了节点嵌入,其次是用于协会评分的CatBoost分类器.

主要成果:

• 在CircR2Disease数据集上,MTGCDA实现了0.9756的曲线下面面积 (AUC),表现优于现有方法.
• 20个预测的circRNA疾病关联中,有17个得到了文献报告的验证,证实了模型的准确性和实用性.

结论:

• MTGCDA模型在预测circRNA与疾病的关联方面表现出卓越的表现.
• MTGCDA提供了一种实用而准确的计算方法,用于识别潜在的circRNA疾病联系,支持生物标志物发现和治疗策略.