GBDTSVM：基于梯度提升决策树和支持向量机的高效 snoRNA-疾病关联预测框架
机器学习
2025-05-13 v1 定量方法
摘要
小核糖核糖体 RNA (snoRNA) 日益被认识在 various 人类疾病的发病机制和表征中发挥关键作用。因此，精确识别 snoRNA-疾病关联 (SDA) 对疾病进程和治疗策略的发展至关重要。然而，传统的生物学实验方法成本高昂、耗时且资源密集；因此，基于机器学习的计算方法提供了缓解这些限制的可行方案。本文提出一种名为 'GBDTSVM' 的模型，代表一种新型且高效的机器学习方法，用于预测 snoRNA-疾病关联，通过融合梯度提升决策树 (GBDT) 和支持向量机 (SVM)。'GBDTSVM' 通过 GBDT 有效提取集成 snoRNA-疾病特征表示，然后利用 SVM 对潜在关联进行分类和识别。此外，该方法通过引入用于 snoRNA 和疾病的高斯核特征相似性来提高这些预测的准确性。对 GBDTSVM 模型的实验评估表明，其在 MDRF 数据集上实现的受试者工作特征曲线下面积 (AUROC) 为 0.96，精确召回曲线下面积 (AUPRC) 为 0.95，显著优于领域内的现有方法。此外，我们的模型在名为 LSGT 和 PsnoD 的两个数据集上表现也优异。此外，对预测的 snoRNA-疾病关联进行案例研究，验证了跨越九种常见疾病的前 10 个预测 snoRNA，进一步验证了 GBDTSVM 方法的有效性。这些结果凸显了该模型作为推进 snoRNA 相关疾病研究的强大工具的潜力。源代码和数据集可在 https://github.com/mariamuna04/gbdtsvm 获取。
关键词
引用
@article{arxiv.2505.06534,
title = {GBDTSVM: Combined Support Vector Machine and Gradient Boosting Decision Tree Framework for efficient snoRNA-disease association prediction},
author = {Ummay Maria Muna and Fahim Hafiz and Shanta Biswas and Riasat Azim},
journal= {arXiv preprint arXiv:2505.06534},
year = {2025}
}
备注
30 pages, 3 figures