一种基于光谱集群的方法,用于平衡TF-目标基因相互作用预测中的数据,使用异质网络嵌入

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:

• 识别转录因子 (TF) 目标基因相互作用对于理解基因调节,生物过程和疾病至关重要.
• 目前的预测方法面临的挑战是由于高的实验成本,生物复杂性和显著的数据不平衡,限制了他们的性能.

研究的目的:

• 开发一种有效的计算方法来预测TF-目标基因相互作用,以解决数据不平衡.
• 为了提高TF-目标基因相互作用预测的准确性和稳定性,用于分子生物学和精密医学.

主要方法:

• 一种新的方法,将样本选择与光谱聚类相结合,以平衡已知和未知的TF-target相互作用的数据集.
• 从已知的相互作用构建一个相邻矩阵,然后进行光谱聚类来分割数据并选择各种未知相互作用.
• 应用深度学习模型,使用随机步行采样和跳过图形嵌入来学习生物网络表示.

主要成果:

• 拟议的方法在五次交叉验证中实现了0.9575 ± 0.0044的曲线下的平均面积 (AUC).
• 与现有的方法相比,在预测TF-目标基因相互作用方面表现出优异的性能.
• 成功解决了数据不平衡的挑战,从而提高了预测准确度.

结论:

• 开发的方法为发现新型TF-目标基因相互作用提供了一个强大的框架.
• 这种方法提高了预测的准确性,并有效地解决了TF-目标基因相互作用预测中的数据不平衡问题.
• 为分子生物学研究和精准医学的进步提供了宝贵的见解.