HGBHAN:使用异质图和Bi-LSTM与等级注意力的微生物药物相互作用预测的新框架

科学领域:

• 生物医学研究的研究.
• 计算生物学是一种计算生物学.
• 药物发现 药物发现

背景情况:

• 预测微生物与药物相关性 (MDA) 对药物发现和临床干预至关重要.
• 传统的实验室方法是昂贵和缓慢的;计算方法经常错过复杂的网络关系和不平衡的数据.
• 现有的MDA预测计算方法面临着生物网络复杂性和数据不平衡的挑战.

研究的目的:

• 提出HGBHAN,一个用于强大的微生物药物协会预测的新框架.
• 为了利用异质图和Bi-LSTM,以分层关注增强的MDA预测.
• 提高用于预测微生物与药物关联的计算方法的准确性和可扩展性.

主要方法:

• 构建一个异质网络,整合微生物/药物相似性和已知的关联.
• 采用Bi-LSTM模块,对学习节点嵌入的层次关注.
• 利用剩余连接来缓解图形神经网络中的过度平滑问题.

主要成果:

• 在三个公共数据集上,HGBHAN在多个评估指标上表现出卓越的表现.
• 该框架有效地捕捉了生物网络中的多层次结构和顺序依赖关系.
• 与现有方法相比,该模型在预测微生物与药物相关性方面取得了更高的准确性.

结论:

• HGBHAN为预测微生物与药物相关性提供了一个强大而有效的框架.
• 拟议的方法解决了以前方法的局限性,特别是关于网络异质性和数据不平衡.
• HGBHAN显示出加速药物发现和优化临床应用的巨大潜力.