GMC-DMA:GNN-Mamba 对疾病-代谢物协会预测的对比优化
Jian Zhang1, Pengli Lu2, Fentang Gao3
1School of Computer Science and Artificial Intelligence, Lanzhou University of Technology, Lanzhou, 730050, China.
Interdisciplinary sciences, computational life sciences
|March 13, 2026
概括
预测代谢物与疾病的关联对于了解疾病至关重要. 我们的新框架GMC-DMA使用先进的AI准确识别与疾病相关的代谢物,改善生物医学研究和药物发现.
科学领域:
- 生物医学研究生物医学研究
- 计算生物学 计算生物学
- 网络医学 网络医学
背景情况:
- 代谢物水平的变化与疾病的发展有关,使得代谢物与疾病的关联预测至关重要.
- 传统方法在复杂的生物网络中与远程依赖性和可解释性作斗争.
研究的目的:
- 开发一个先进的计算框架,准确地预测代谢物与疾病的关联.
- 克服现有方法在模拟复杂的生物关系方面的局限性.
主要方法:
- 一个双路径的动态对比学习框架 (GMC-DMA),集成图形神经网络 (GNN) 和Mamba架构.
- 使用多源异质网络,残余图卷积网络 (ResGCN),选择性状态空间模型 (SSM) 的Mamba,以及快速的科尔摩戈罗夫-阿诺德网络 (FastKAN).
- 使用InfoNCE损失与动态负采样进行强大的对比学习和双线解码器进行概率输出.
主要成果:
- 在对代谢物与疾病关联预测的综合性能方面,GMC-DMA显著超过了基线方法.
- 在识别与疾病相关的代谢物和在发现潜在的新兴关联方面具有高可靠性的有效性.
- 曼巴架构有效地解决了全球依赖性,缓解了GNN中的过度平滑问题.
结论:
- GMC-DMA提供了一种强大且可解释的方法来预测代谢物与疾病的关联.
- 该框架通过准确识别疾病生物标志物和潜在的治疗点来增强生物医学研究.
- 这项研究强调了整合GNN,Mamba和FastKAN用于复杂生物网络分析的潜力.


