超图形学习与超边缘门和多尺度拓学特征学习,用于预测与疾病相关的circRNAs

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
• 网络科学 网络科学

背景情况:

• 循环RNAs (circRNAs) 在疾病发病过程中至关重要,使得它们的准确识别对于理解复杂疾病至关重要.
• 图形学习模型是推断circRNA疾病关联的先进工具,但现有的方法难以在元路径中编码各种生物相关性和节点语义.
• 循环RNA,疾病和微RNA (miRNA) 之间的复杂关系需要复杂的模型进行全面分析.

研究的目的:

• 开发一个先进的circRNA-疾病关联预测模型,HSCDA,能够编码复杂的生物相关性和整合多层次拓结构.
• 通过学习元路径邻居的语义和动态地完善超图形拓来解决现有方法的局限性.
• 通过准确预测与疾病相关的circRNAs来增强对circRNA在疾病中的作用的理解.

主要方法:

• 构建了一个超图,具有可学习的超边缘,以表示复杂的circRNA-疾病相关性.
• 建议使用超边缘封闭机制 (HGHG) 进行超图形卷积,以自适应地估计超边缘的重要性.
• 开发了一个语义增强的图形卷积网络 (SGCN),以在元路径中集成多种节点语义.
• 引入了一个多尺度拓变压器 (MST) 来学习异质网络中多尺度邻近拓的结构特征.

主要成果:

• 与六种现有的方法相比,HSCDA在预测circRNA疾病关联方面表现优越.
• 除研究证实了HSCDA模型中HGHG,SGCN和MST组件的个体有效性.
• 对三种疾病的案例研究展示了HSCDA在识别潜在的与疾病相关的circRNA候选者的能力.

结论:

• 通过整合超图形学习,语义增强和多尺度拓分析,HSCDA提供了一种强大而有效的方法来预测circRNA疾病关联.
• 该模型能够捕捉复杂的生物相关性和节点语义,为疾病的发病提供了宝贵的见解.
• HSCDA具有显著的潜力,可以推动研究识别各种复杂疾病的新型circRNA生物标志物.