通过多视图交叉对比学习与多尺度语义自适应优化相结合的长非编码RNA函数预测

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 计算生物学 计算生物学

背景情况:

• 长非编码RNAs (lncRNAs) 是复杂疾病的关键调节者,但预测它们的功能是具有挑战性的.
• 现有的方法难以从多式联络数据中提取特征,并对基因本体学 (GO) 结构进行建模.

研究的目的:

• 开发一种新的框架,MiCLSAO,用于增强 lncRNA 功能预测.
• 改进从omics数据中提取歧视性特征,并对GO的语义和拓信息进行建模.

主要方法:

• MiCLSAO采用多视图交叉对比学习,重视从omics相似性网络中提取lncRNA特征.
• 图形卷积网络通过使用多尺度拓和语义关系来改进GO术语表示.
• 科尔莫戈罗夫-阿诺德网络集成了 lncRNA 和 GO 术语表示,用于预测.

主要成果:

• 在多个评估指标中,MiCLSAO显著超过了最先进的方法.
• 该框架在恢复已知的 lncRNA 功能和识别新功能方面表现出强大的能力.
• 实验结果突出了MiCLSAO在提供信息性的lncRNA注释方面的实际实用性.

结论:

• MiCLSAO为 lncRNA 功能预测提供了一种强大而有效的方法.
• 该框架有助于更好地理解lncRNA在疾病生物学中的作用.
• 米克尔萨奥有潜力加速复杂疾病的治疗开发.