带关系约束的张量分解用于预测多种类型的 microRNA-疾病关联
机器学习
2021-08-31 v2 定量方法
机器学习
摘要
MicroRNAs (miRNAs) 在与人类疾病相关的多种生物学过程中起着关键作用。识别潜在的 miRNA-疾病关联有助于理解 miRNA 相关疾病的分子机制。现有大多数计算方法主要关注预测某一 miRNA-疾病关联是否存在。然而，miRNA 在疾病中的作用差异显著，例如，microRNA (mir-15) 的遗传变异可能影响 miRNA 的表达水平从而导致 B 细胞慢性淋巴细胞白血病，而循环 miRNAs（包括 mir-1246、mir-1307-3p 等）具有早期检测乳腺癌的潜力。在本文中，我们旨在预测多类型 miRNA-疾病关联，而非将其视为二元的。为此，我们创新性地将 miRNA-疾病-类型三元组表示为一张量，并引入张量分解方法来解决该预测任务。在两个广泛采用的 miRNA-疾病数据集 HMDD v2.0 与 HMDD v3.2 上的实验结果表明，张量分解方法大幅改进了近期基线（top-1 F1 最高提升 38%）。我们进一步提出一种新方法——带关系约束的张量分解 (Tensor Decomposition with Relational Constraints, TDRC)，其将生物学特征作为关系约束以改进现有张量分解方法。与两种现有张量分解方法相比，TDRC 在性能更优的同时效率更高。
引用
@article{arxiv.1911.05584,
title = {Tensor Decomposition with Relational Constraints for Predicting Multiple Types of MicroRNA-disease Associations},
author = {Feng Huang and Xiang Yue and Zhankun Xiong and Zhouxin Yu and Wen Zhang},
journal= {arXiv preprint arXiv:1911.05584},
year = {2021}
}