iDRKAN:可解释的miRNA-疾病关联预测基于双图表表示学习和Kolmogorov-Arnold网络

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疾病关联 (MDA) 对生物医学研究和临床应用至关重要.
• 现有的计算方法经常与复杂的网络语义扎,由于其"黑子"性质,缺乏透明度.
• 需要用于MDA预测的可解释和准确的方法.

研究的目的:

• 提出一种可解释的microRNA疾病关联预测方法 (iDRKAN).
• 在复杂的生物网络中增强深度语义信息的捕获.
• 提高MDA预测中的深度学习模型的透明度.

主要方法:

• 使用相似性和关联矩阵构建相似性和元路径视图.
• 用于高阶特征表示的图形卷积网络 (GCN).
• 集成的多通道注意力 (MCA) 和语义层注意力 (SLA) 机制.
• 利用对比式学习来实现双图表示的一致性.
• 应用可解释的科尔莫戈罗夫-阿诺德网络 (KAN) 进行最终预测.

主要成果:

• 在多个性能指标上,iDRKAN在两个公共数据集上显著优于现有的计算方法.
• 该方法证明了预测性能和可解释性之间的有利平衡.
• 案例研究证实了iDRKAN在发现潜在的微RNA与疾病关联方面的有效性.

结论:

• iDRKAN提供了一种新的,可解释的方法来预测微RNA与疾病的关联.
• 双图表示学习和KAN集成提供了更高的准确性和透明度.
• 这种方法有望通过改进MDA识别来推进生物医学研究和临床应用.