一种基于超图卷积网络和图形变压器的多源相似性融合方法,用于预测miRNA-疾病关联

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miRNA-疾病关联 (MDA) 对药物开发至关重要,但传统方法成本高且耗时.
• 现有的计算MDA预测方法的准确性低,概括性差,依赖单个数据源.
• 需要先进的计算方法来有效和准确地预测MDA.

研究的目的:

• 提出一种新的计算方法,HGC-GraphT,用于预测miRNA与疾病的关联.
• 通过整合多源生物数据和使用超图卷积网络来解决现有方法的局限性.
• 提高MDA预测的准确性和可靠性.

主要方法:

• HGC-GraphT集成了多源相似性信息,包括药物疾病,蛋白质,circRNA和LncRNA数据.
• 超图是用来挖掘多个生物节点之间的复杂关联信息.
• 超图卷积神经网络和生物实体图用于全面的特征提取.

主要成果:

• 与其他五种方法相比,HGC-GraphT在多个指标 (AUC,AUPR,ACC,F1,回忆,精度) 上表现出优异的预测性能.
• 使用HMDD v3.2数据库进行实验验证,证实了拟议方法的有效性.
• 案例研究成功地确定了与结肠癌和胃肠道瘤相关的miRNA.

结论:

• HGC-GraphT方法提供了一种有效的计算方法,用于预测miRNA与疾病的关联.
• 该方法为推进生物医学研究和了解疾病机制提供了可靠的辅助工具.
• 通过超图谱网络整合多样化的生物数据可以增强MDA的预测能力.