富里埃变换和科尔莫戈罗夫-阿诺德网络增强关系意识生成和对抗网络用于miRNA-疾病协会预测

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:

• 识别微RNA与疾病的关联对于理解疾病的发病过程至关重要.
• 当前的方法往往无法整合不同的miRNA属性 (家族,集群,目标) 和频域特征.
• 现有的方法在捕获miRNA和疾病数据中的复杂关系方面是有限的.

研究的目的:

• 提出一种新型模型,FKRGAN,用于更好地预测微RNA与疾病的关联.
• 将拓特征与频域特征 (低频平滑,高频波动) 结合起来.
• 为了利用miRNA家族,集群和共同的蛋白信息来改善关联推断.

主要方法:

• 开发了FKRGAN,结合了富里埃转换增强的双空间特征学习 (FDFL).
• 采用了特征级别的注意力机制,用于各种数据源的自适应融合.
• 使用关系意识生成对抗网络与科尔莫戈罗夫-阿诺德网络 (KAN) 进行强大的特征表示.

主要成果:

• 在公共数据集上,FKRGAN的表现优于八种最先进的预测方法.
• 在识别候选microRNA疾病关联方面表现出卓越的表现.
• 案例研究验证了该模型对特定疾病的有效性.

结论:

• 在预测微RNA与疾病的关联方面,FKRGAN提供了显著的进步.
• 双空间特征和注意力机制的整合提高了预测的准确性.
• 该模型提供了一种强大的工具,可以通过miRNA相互作用来探索疾病的发病性.