《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 人工智能 > 設(shè)計(jì)應(yīng)用 > 基于拓?fù)浣Y(jié)構(gòu)的度量學(xué)習(xí)與拓?fù)鋫鞑サ膍iRNA-疾病關(guān)聯(lián)預(yù)測(cè)算法
基于拓?fù)浣Y(jié)構(gòu)的度量學(xué)習(xí)與拓?fù)鋫鞑サ膍iRNA-疾病關(guān)聯(lián)預(yù)測(cè)算法
電子技術(shù)應(yīng)用
趙歡歡1，李顏娥1，武斌1，池方愛(ài)2
1.浙江農(nóng)林大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院；2.浙江農(nóng)林大學(xué) 風(fēng)景園林與建筑學(xué)院
摘要： miRNA的突變和異常表達(dá)可能導(dǎo)致各種疾病，因此預(yù)測(cè)miRNA與疾病的潛在相關(guān)性對(duì)于臨床醫(yī)學(xué)和藥物研究的發(fā)展具有重要意義。拓?fù)浣Y(jié)構(gòu)是miRNA-疾病預(yù)測(cè)算法的重要組成部分，然而當(dāng)前算法并未有效利用拓?fù)浣Y(jié)構(gòu)導(dǎo)致預(yù)測(cè)結(jié)果并不理想。與此同時(shí)，如何有效地融合多源數(shù)據(jù)也是當(dāng)前的研究趨勢(shì)。針對(duì)上述問(wèn)題，提出一種自適應(yīng)融合異質(zhì)節(jié)點(diǎn)結(jié)構(gòu)信息算法（MMTP），通過(guò)利用節(jié)點(diǎn)的一階鄰居和元路徑誘導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)結(jié)構(gòu)特征，并利用度量學(xué)習(xí)和拓?fù)鋫鞑プ赃m應(yīng)地融合異質(zhì)節(jié)點(diǎn)結(jié)構(gòu)信息，以提升miRNA-疾病預(yù)測(cè)精度。5折交叉驗(yàn)證實(shí)驗(yàn)結(jié)果表明，MMTP在HMDD v3.2數(shù)據(jù)集上的受試者操作曲線下面積（AUC）為94.81，高于其他模型。并且在基于腎癌的案例研究中，該模型所預(yù)測(cè)的前30個(gè)miRNAs全部得到證實(shí)。上述研究證明，所提的MMTP模型可有效預(yù)測(cè)miRNA-疾病相關(guān)性。
中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.244946
中文引用格式： 趙歡歡，李顏娥，武斌，等. 基于拓?fù)浣Y(jié)構(gòu)的度量學(xué)習(xí)與拓?fù)鋫鞑サ膍iRNA-疾病關(guān)聯(lián)預(yù)測(cè)算法[J]. 電子技術(shù)應(yīng)用，2024，50(9)：67-72.
英文引用格式： Zhao Huanhuan，Li Yan′e，Wu Bin，et al. Topology-based metric learning and topology propagation algorithm for miRNA-disease association prediction[J]. Application of Electronic Technique，2024，50(9)：67-72.
Topology-based metric learning and topology propagation algorithm for miRNA-disease association prediction
Zhao Huanhuan1，Li Yan′e1，Wu Bin1，Chi Fang′ai2
1.College of Mathematics and Computer Science， Zhejiang A & F University； 2.School of Landscape Architecture， Zhejiang A & F University
Abstract： Mutations and abnormal expressions of miRNA can potentially lead to various diseases. Hence, predicting the latent correlation between miRNA and diseases holds significant importance for the advancement of clinical medicine and drug research. The topology structure constitutes a crucial component of miRNA-disease prediction algorithms. However, the current algorithms inadequately leverage the topological structure, resulting in suboptimal predictive outcomes. Simultaneously, effectively integrating multi-source data is a current research trend. In response to the aforementioned issues, this paper proposes an adaptive algorithm for fusing heterogeneous node structure information (MMTP). MMTP enhances miRNA-disease prediction accuracy by adaptively integrating heterogeneous node structure information through the utilization of first-order neighbors and metapath-induced network learning of structural features, employing metric learning and topology propagation. Results from a 5-fold cross-validation experiment demonstrate that MMTP achieves Area Under the Curve (AUC) of receiver operating characteristic values of 94.81 on the HMDD v3.2 datasets, surpassing other models. Moreover, in a case study focused on renal cancer, all of the top 30 miRNAs predicted by the model are confirmed. The aforementioned research confirms the efficacy of the proposed MMTP model in predicting miRNA-disease correlations.
Key words : deep learning；miRNA-disease association；metric learning；topology structure

引言

microRNA（miRNA）是一類(lèi)長(zhǎng)度約為22 nt的非編碼單鏈小分子RNA，已被證實(shí)同人類(lèi)復(fù)雜疾病的發(fā)病機(jī)制密切相關(guān)[1]。因此，準(zhǔn)確識(shí)別與特定疾病相關(guān)的潛在miRNA對(duì)于探索疾病的發(fā)病機(jī)制與實(shí)施相關(guān)治療方法至關(guān)重要。當(dāng)前miRNA-疾病關(guān)系預(yù)測(cè)模型主要有3個(gè)研究方向：基于相似性、基于機(jī)器學(xué)習(xí)和基于圖神經(jīng)網(wǎng)絡(luò)[2]。

現(xiàn)有方法忽略了異質(zhì)網(wǎng)絡(luò)上節(jié)點(diǎn)之間的信息交互，不能完全捕捉到異構(gòu)網(wǎng)絡(luò)中節(jié)點(diǎn)之間復(fù)雜的結(jié)構(gòu)和豐富的語(yǔ)義。有些模型如NIMGCN[3]、MMGCN[4]只利用miRNAs和疾病的直接鄰域信息而忽略了節(jié)點(diǎn)的高階鄰域信息。有些模型如PATMDA[5]、MINIMDA[6]雖然考慮節(jié)點(diǎn)的高階鄰近度表示，但是數(shù)據(jù)的集成卻以一種簡(jiǎn)單的方式進(jìn)行。綜上所述，當(dāng)前如何充分有效地捕捉異質(zhì)圖中豐富的結(jié)構(gòu)信息仍亟待探索。與此同時(shí)，也需要考慮不同類(lèi)型數(shù)據(jù)的自適應(yīng)融合，以便有效地捕捉數(shù)據(jù)之間的內(nèi)在相關(guān)性。

基于此，本文提出一種能夠自適應(yīng)融合異質(zhì)節(jié)點(diǎn)結(jié)構(gòu)信息算法（基于拓?fù)浣Y(jié)構(gòu)的度量學(xué)習(xí)與拓?fù)鋫鞑サ?a class="innerlink" href="http://ihrv.cn/tags/miRNA-疾病關(guān)聯(lián)" target="_blank">miRNA-疾病關(guān)聯(lián)預(yù)測(cè)算法，MMTP）構(gòu)建高性能miRNA-疾病關(guān)聯(lián)預(yù)測(cè)模型。首先，構(gòu)建miRNA-疾病異質(zhì)圖，利用嵌入式方法將高維特征投影到低維空間，通過(guò)節(jié)點(diǎn)的一階鄰居和元路徑誘導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)結(jié)構(gòu)特征。其次，利用度量學(xué)習(xí)和拓?fù)鋫鞑プ赃m應(yīng)地融合異質(zhì)節(jié)點(diǎn)結(jié)構(gòu)信息，最后通過(guò)圖卷積神經(jīng)網(wǎng)絡(luò)得到最終的節(jié)點(diǎn)特征，預(yù)測(cè)潛在的miRNA與疾病的關(guān)聯(lián)。該算法利用節(jié)點(diǎn)的一階鄰居和元路徑誘導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)結(jié)構(gòu)特征，同時(shí)考慮節(jié)點(diǎn)的局部鄰域和高階拓?fù)?，能夠更全面地捕捉圖的結(jié)構(gòu)特征。另一方面，元路徑誘導(dǎo)網(wǎng)絡(luò)使模型能夠靈活地處理異質(zhì)網(wǎng)絡(luò)，從而適應(yīng)不同類(lèi)型的節(jié)點(diǎn)和邊，以更有效地預(yù)測(cè)miRNA-疾病關(guān)聯(lián)。


本文詳細(xì)內(nèi)容請(qǐng)下載：

http://ihrv.cn/resource/share/2000006144


作者信息：

趙歡歡1，李顏娥1，武斌1，池方愛(ài)2

（1.浙江農(nóng)林大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，浙江 杭州 310000；

2.浙江農(nóng)林大學(xué) 風(fēng)景園林與建筑學(xué)院，浙江 杭州 310000）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。