目的采用图注意力网络(graph attention network,GAT)预测人类微生物与药物之间的潜在关联。方法选取三个常用的微生物-药物关联(microbe-drug associations,MDA)数据集(MDAD、aBiofilm和Drug Virus),基于数据集中丰富的生物信息构建一...目的采用图注意力网络(graph attention network,GAT)预测人类微生物与药物之间的潜在关联。方法选取三个常用的微生物-药物关联(microbe-drug associations,MDA)数据集(MDAD、aBiofilm和Drug Virus),基于数据集中丰富的生物信息构建一个异构网络,并提出一种基于GAT框架预测MDA的模型——GATMDA模型,用于预测微生物与药物间的关联。结果与现有的8种预测方法相比,GATMDA通过三种交叉验证方法在三个数据集上具有较好的预测效果。在5折交叉验证的性能评估中,在三个数据集上的受试者工作特征曲线下的面积(area under the curve,AUC)分别为0.9886、0.9941和0.9836,精确率-召回率曲线下的面积(area under the precision-recall curve,AUPR)分别为0.9667、0.9869和0.8795。通过病例研究进一步验证了GATMDA在预测MDA方面的有效性。结论基于GAT,GATMDA模型可以通过构建的异构网络对微生物-药物进行有效的关联预测。展开更多
文摘目的采用图注意力网络(graph attention network,GAT)预测人类微生物与药物之间的潜在关联。方法选取三个常用的微生物-药物关联(microbe-drug associations,MDA)数据集(MDAD、aBiofilm和Drug Virus),基于数据集中丰富的生物信息构建一个异构网络,并提出一种基于GAT框架预测MDA的模型——GATMDA模型,用于预测微生物与药物间的关联。结果与现有的8种预测方法相比,GATMDA通过三种交叉验证方法在三个数据集上具有较好的预测效果。在5折交叉验证的性能评估中,在三个数据集上的受试者工作特征曲线下的面积(area under the curve,AUC)分别为0.9886、0.9941和0.9836,精确率-召回率曲线下的面积(area under the precision-recall curve,AUPR)分别为0.9667、0.9869和0.8795。通过病例研究进一步验证了GATMDA在预测MDA方面的有效性。结论基于GAT,GATMDA模型可以通过构建的异构网络对微生物-药物进行有效的关联预测。
文摘了解微生物-疾病关联不仅可以揭示疾病的发病机理,而且可以促进疾病的诊断和预后。提出一种基于结构深度网络嵌入的方法(NEMDA)来识别潜在的微生物-疾病关联。首先,通过整合人类微生物-疾病关联数据库(human microbe-disease association database,HMDAD)和Disbiome数据库,扩大微生物和疾病的数量以及已知的微生物-疾病关联关系。接着,将结构深度网络嵌入用于提取微生物-疾病二分网络的特征,并且引入微生物功能相似性、微生物相互作用谱相似性和疾病语义相似性、基于症状的疾病相似性,分别作为微生物和疾病的生物学特征。然后,将这3个特征结合构成微生物-疾病对的特征,并使用深度神经网络模型进行预测。最后,通过五折交叉验证和案例分析来评估NEMDA的性能,在五折交叉验证下,NEMDA表现良好,预测性能高于KATZMDA、NCPHMDA、LRLSHMDA、PBHMDA、NTSHMDA和BRWMDA 6种比较方法。哮喘、炎症性肠病和结直肠癌的案例分析结果进一步表明,NEMDA预测性能良好,其是一个有效的预测微生物-疾病关联的工具。
