中文字幕高清免费日韩视频在线,乡下女人做爰A片,猫咪av成人永久网站在线观看,亚洲高清有码中文字,国产精久久一区二区三区

您所在的位置：首页 > 人工智能 > 设计应用 > 基于拓扑结构的度量学习与拓扑传播的miRNA-疾病关联预测算法
基于拓扑结构的度量学习与拓扑传播的miRNA-疾病关联预测算法
电子技术应用
赵欢欢1，李颜娥1，武斌1，池方爱2
1.浙江农林大学 数学与计算机科学学院；2.浙江农林大学 风景园林与建筑学院
摘要： miRNA的突变和异常表达可能导致各种疾病，因此预测miRNA与疾病的潜在相关性对于临床医学和药物研究的发展具有重要意义。拓扑结构是miRNA-疾病预测算法的重要组成部分，然而当前算法并未有效利用拓扑结构导致预测结果并不理想。与此同时，如何有效地融合多源数据也是当前的研究趋势。针对上述问题，提出一种自适应融合异质节点结构信息算法（MMTP），通过利用节点的一阶邻居和元路径诱导网络学习结构特征，并利用度量学习和拓扑传播自适应地融合异质节点结构信息，以提升miRNA-疾病预测精度。5折交叉验证实验结果表明，MMTP在HMDD v3.2数据集上的受试者操作曲线下面积（AUC）为94.81，高于其他模型。并且在基于肾癌的案例研究中，该模型所预测的前30个miRNAs全部得到证实。上述研究证明，所提的MMTP模型可有效预测miRNA-疾病相关性。
中图分类号：TP391 文献标志码：A DOI: 10.16157/j.issn.0258-7998.244946
中文引用格式： 赵欢欢，李颜娥，武斌，等. 基于拓扑结构的度量学习与拓扑传播的miRNA-疾病关联预测算法[J]. 电子技术应用，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）是一类长度约为22 nt的非编码单链小分子RNA，已被证实同人类复杂疾病的发病机制密切相关[1]。因此，准确识别与特定疾病相关的潜在miRNA对于探索疾病的发病机制与实施相关治疗方法至关重要。当前miRNA-疾病关系预测模型主要有3个研究方向：基于相似性、基于机器学习和基于图神经网络[2]。

现有方法忽略了异质网络上节点之间的信息交互，不能完全捕捉到异构网络中节点之间复杂的结构和丰富的语义。有些模型如NIMGCN[3]、MMGCN[4]只利用miRNAs和疾病的直接邻域信息而忽略了节点的高阶邻域信息。有些模型如PATMDA[5]、MINIMDA[6]虽然考虑节点的高阶邻近度表示，但是数据的集成却以一种简单的方式进行。综上所述，当前如何充分有效地捕捉异质图中丰富的结构信息仍亟待探索。与此同时，也需要考虑不同类型数据的自适应融合，以便有效地捕捉数据之间的内在相关性。

基于此，本文提出一种能够自适应融合异质节点结构信息算法（基于拓扑结构的度量学习与拓扑传播的miRNA-疾病关联预测算法，MMTP）构建高性能miRNA-疾病关联预测模型。首先，构建miRNA-疾病异质图，利用嵌入式方法将高维特征投影到低维空间，通过节点的一阶邻居和元路径诱导网络学习结构特征。其次，利用度量学习和拓扑传播自适应地融合异质节点结构信息，最后通过图卷积神经网络得到最终的节点特征，预测潜在的miRNA与疾病的关联。该算法利用节点的一阶邻居和元路径诱导网络学习结构特征，同时考虑节点的局部邻域和高阶拓扑，能够更全面地捕捉图的结构特征。另一方面，元路径诱导网络使模型能够灵活地处理异质网络，从而适应不同类型的节点和边，以更有效地预测miRNA-疾病关联。


本文详细内容请下载：

//www.51qz.net/resource/share/2000006144


作者信息：

赵欢欢1，李颜娥1，武斌1，池方爱2

（1.浙江农林大学 数学与计算机科学学院，浙江 杭州 310000；

2.浙江农林大学 风景园林与建筑学院，浙江 杭州 310000）


Magazine.Subscription.jpg

此内容为AET网站原创，未经授权禁止转载。