ZNGEA:ZINB-NMF集成图嵌入自动编码器用于代谢物-疾病关联识别

科学领域:

• 计算生物学是一种计算生物学.
• 生物信息学是一种生物信息学.
• 系统生物学 系统生物学

背景情况:

• 代谢对生命至关重要,而改变的代谢物与疾病有关.
• 鉴定代谢物与疾病联系的传统实验方法耗时且劳动密集.
• 需要计算方法来有效识别代谢物与疾病的关联.

研究的目的:

• 开发一种新的深度学习算法,ZNGEA,用于预测代谢物和疾病之间的潜在关联.
• 克服传统实验方法在识别代谢物-疾病联系方面的局限性.

主要方法:

• ZNGEA集成了零膨胀负二项式 (ZINB) 分布和非负矩阵因数分解 (NMF).
• 使用非线性方法结合多种疾病和代谢物相似性网络.
• 应用NMF和基于ZINB的图形卷积自编码器用于特征提取.
• 使用双线解码器来训练模型.

主要成果:

• 在5倍的交叉验证中,ZNGEA实现了0.9859的曲线下的面积 (AUC) 和0.9820的精度回忆曲线下的面积 (AUPR).
• 性能超过了现有的方法.
• 案例研究验证了大多数新发现的代谢物与疾病的联系,证实了ZNGEA的可靠性.

结论:

• ZNGEA是一种可靠和高效的计算工具,用于预测代谢物与疾病的关联.
• 该方法为生物医学研究提供了宝贵的资源,用于探索代谢物和疾病之间的潜在联系.
• 源代码和数据集是公开可用的,用于可复制性和进一步研究.