用于LncRNA-疾病关联预测的异质网络与图注意力自动编码器
机器学习
2024-05-07 v1 人工智能
定量方法
摘要
新兴研究表明，lncRNA与一系列复杂的人类疾病相关。然而，现有的大多数方法在识别非线性lncRNA-疾病关联（LDA）方面存在局限性，预测新的LDA仍然是一个巨大的挑战。因此，准确识别LDA对于疾病的预警和治疗非常重要。在这项工作中，充分利用多种来源的生物医学数据来构建lncRNA和疾病的特征，并有效整合线性和非线性特征。此外，提出了一种基于图注意力自动编码器的新型深度学习模型，称为HGATELDA。首先，通过miRNA-lncRNA相互作用矩阵和miRNA-疾病相互作用矩阵创建lncRNA和疾病的线性特征。接着，使用图注意力自动编码器提取疾病和lncRNA的非线性特征，这大大保留了关键信息并有效聚合了节点的邻域信息。最后，通过融合疾病和lncRNA的线性和非线性特征来预测LDA。HGATELDA模型在使用5折交叉验证评估时达到了令人印象深刻的AUC值0.9692，表明其性能优于最近的几种预测模型。同时，案例研究进一步证明了HGATELDA在识别新型LDA方面的有效性。HGATELDA模型似乎是预测LDA的可行计算模型。
引用
@article{arxiv.2405.02354,
title = {Heterogeneous network and graph attention auto-encoder for LncRNA-disease association prediction},
author = {Jin-Xing Liu and Wen-Yu Xi and Ling-Yun Dai and Chun-Hou Zheng and Ying-Lian Gao},
journal= {arXiv preprint arXiv:2405.02354},
year = {2024}
}
备注
10 pages, 8 figures