通过在超图中发送消息来识别代谢物-疾病关联
Fuheng Xiao1, Yihao Ran2, Zhanchao Li1
1School of Chemistry and Chemical Engineering, Guangdong Pharmaceutical University, Guangzhou 510006, China.
Metabolites
|February 26, 2026
概括
一个新的超图框架 (DHG-LGB) 通过建模复杂的生物相互作用,有效地预测代谢物-疾病关系. 这种方法提高了准确性,并为精密医学和生物标志物发现提供了有价值的工具.
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.
- 机器学习 机器学习
背景情况:
- 传统的机器学习难以整合各种生物数据来预测代谢物疾病.
- 对式图形模型对于代谢物,疾病,蛋白质和基因本体学 (GO) 注释之间的复杂多途相互作用是不够的.
研究的目的:
- 开发一个先进的计算框架,准确预测代谢物与疾病的关联.
- 克服模拟复杂的生物网络现有方法的局限性.
主要方法:
- 开发了一个基于超图的新型框架 (DHG-LGB),将疾病概念化为超边缘.
- 利用超图神经网络 (HGNN) 将代谢物-疾病关系编码为低维向量.
- 使用LightGBM (LGB) 来构建预测模型.
主要成果:
- DHG-LGB实现了高性能指标,包括98.87%的精度,91.77%的灵敏度和0.9983的AUC.
- 该框架在不同数据比率 (AUC > 0.9954) 上表现出卓越的稳定性和概括性.
- 对比分析证实了DHG-LGB对现有方法的优越性.
结论:
- DHG-LGB框架提供了一个比传统方法更全面的生物相互作用模型.
- 它显著提高了代谢物与疾病关系的预测准确度.
- DHG-LGB是一个有前途的计算工具,用于生物标志物识别和推进精准医学.
