面向多个异构网络的疾病相关miRNA候选预测研究

作     者：修金杉 

作者单位：黑龙江大学 

学位级别：硕士

导师姓名：玄萍

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 1001[医学-基础医学(可授医学、理学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 10[医学] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：异构网络 MiRNA-疾病关联预测 图卷积网络 多模态属性学习 互补特征学习 共同注意力融合 

摘      要：MicroRNAs(miRNAs)的异常表达与多种疾病过程的发生发展密切相关。推断潜在的疾病相关miRNAs有助于深入了解疾病发病机制的观察。最近的大多数方法都集中在构建基于图推理的一个由miRNA和疾病节点组成的单一异构网络的预测模型。然而,他们并没有完全利用多个miRNA-疾病异构网络和这些网络中的互补信息。基于miRNA和疾病相关的多源数据构建了的多个异构网络,本文提出了三个miRNA和疾病关联的预测方法。所有模型中均包含了深度学习方法,相比于miRNA-疾病关联预测的先进方法,我们的模型均取得了最优的预测性能。我们方法的贡献如下: 基于多视角的图卷积网络的疾病相关miRNA候选预测模型GCNMDA。根据疾病的语义相似性和功能相似性,我们构建了两个具有独特拓扑结构的miRNA-疾病异构网络。从不同的异构网络视角下,对每个异构网络分别使用图卷积网络来获得miRNA和疾病节点的特有拓扑表示。此外,一个拓扑表示层面的注意力策略被提出来对每个视角下节点的特有拓扑表示进行自适应融合,并得出了每对miRNA和疾病节点之间的关联预测得分。实验数据充分证实,与其他10种miRNA-疾病关联预测方法进行比较,GCNMDA在AUC和AUPR两方面均展现出优越性能。 基于多模态属性编码的疾病相关miRNA候选预测模型MEMDA。我们构建了miRNA-疾病异构网络基于已知的miRNA-疾病关联和miRNA与疾病的多种相似性。就一对miRNA和疾病节点而言,来自多个网络的成对属性形成了一个多模态属性嵌入。一个基于深度可分卷积的模块被构造,以增强对每个模态数据的特定特征的编码。在公共数据集上的实验结果显示,我们的方法在miRNA-疾病关联预测方面优于10种最先进的比较方法。 基于跨多个网络的结点互补特征编码的疾病相关miRNA候选预测模型CEMDA。首先,多个异构网络被构建通过结合疾病与miRNA不同的相似性以及它们之间的关联。在每个异构网络中,一个miRNA(疾病)节点的属性与每个其他miRNA(疾病)节点之间存在上下文联系。基于Transformer,每个miRNA(疾病)节点的嵌入上下文联系的特征表示能被形成。由于多个网络的拓扑结构和节点属性是互补的,我们设计了一种共同注意力融合机制来对互补信息进行编码。一个网络层面的注意力策略被设计用来区分来自多个网络的结点特征的重要性,然后自适应地融合这些特征并进行miRNA-疾病关联预测。对3种疾病的案例研究表明,CEMDA有能力发现可靠的疾病相关候选miRNAs。