MGSGCN:基于多图结构和注意力机制的图卷积网络预测lncRNA-疾病关联

研究表明长非编码RNA (long non-coding RNA, lncRNA)在许多生物的生命活动中发挥着重要作用。识别潜在的lncRNA-疾病关联(lncRNA-disease associations, LDAs)有助于研究疾病的发病机制,及时地诊断、预防和治疗疾病。本文提出了一种基于多图结构和注意力机制的图卷积网络模型预测LDAs,简称MGSGCN。该模型综合了疾病语义相似性、lncRNA功能相似性、疾病与lncRNA高斯相互作用谱核相似性和余弦相似性,构建了疾病和lncRNA的特征向量。基于图卷积网络(graph conventional network, GCN)和图注意力网络(graph attention network, GAT),使用了提取封闭子图和交互信息传播的多图结构策略来训练和预测LDAs。MGSGCN在Dataset1和Dataset2上的五折交叉验证(five-fold cross validation, 5-CV)的准确率分别为94.55%和87.44%。将MGSGCN与其它四个前人研究的计算模型进行比较,评价指标结果凸显了MGSGCN具有良好的分类性能。此外,对与子宫颈癌相关的lncRNA进行了案例分析。发现MGSGCN预测出了未被实验证实的LDAs,这说明该模型具有预测新的LDAs的能力。

基于集成回归决策树的lncRNA-疾病关联预测方法

长链非编码RNA(long non-coding RNA,lncRNA)在各种人类复杂疾病中起着重要作用。采用计算方法推断lncRNA-疾病间的潜在关联关系不仅有助于理解疾病的致病机理,还有助于疾病诊断、预防和治疗。文中提出了一种基于集成回归决策树的lncRNA-疾病关联预测方法。首先,利用已知的lncRNA-疾病关联信息分别构建lncRNA、疾病相似矩阵、lncRNA-疾病关联矩阵;其次,基于lncRNA、疾病相似矩阵、lncRNA-疾病关联矩阵,从不同视角进一步构建lncRNA、疾病特征向量;然后,使用主成分分析方法对lncRNA、疾病特征进行特征提取;最后,使用回归决策树作为预测模型,并进一步采用集成学习的平均策略将多个决策树集成,从而获得最终的预测模型。留一交叉验证实验表明,该方法的预测结果优于现有方法,在3个真实的lncRNA-疾病数据集上AUC值分别达到了0.905 5,0.896 9和0.912 9,与现有方法相比,分别提升了6.46%,5.4%和6.02%。此外,对乳腺癌、肺癌、胃癌3种疾病进行了案例分析,进一步验证了所提方法的准确性和有效性。

一种流形正则化非负矩阵分解的lncRNA-疾病关系预测方法

长链非编码RNA(lncRNA)在疾病的发生中起着重要作用,然而通过生物学实验探索lncRNA与疾病的关系昂贵且费时,必须开发出更准确和有效的计算方法来预测lncRNA与疾病的关系.本文提出了一种新的基于流形正则化非负矩阵分解的计算方法(MRNMFLDA)来预测lncRNA与疾病的关系.该方法首先采用相似性网络融合方法分别整合lncRNA与疾病的相似性,然后通过构建标签加权矩阵、引入流形正则化约束的非负矩阵分解算法来预测lncRNA与疾病潜在的关系.实验结果表明,本方法在留一交叉验证和5折交叉验证中AUC值分别达到0.8927和0.8635±0.0054,优于其他4种方法.案例研究表明,本方法能够有效地预测与3种疾病(肺癌,宫颈癌,和骨肉瘤)有关系的lncRNA.

NELDA:基于网络嵌入的lncRNA-疾病关联关系预测

目的 长非编码RNA (lncRNAs)参与多种重要的生物学过程并与各种人类疾病密切相关,因此,lncRNA-疾病关联预测研究有助于疾病的诊断、治疗和在分子水平理解人类疾病的发生发展机制。目前,大多数lncRNA-疾病关联预测方法倾向于浅层整合lncRNA和疾病的相关信息,忽略网络拓扑结构中的深层嵌入特征;另外通过随机选取lncRNA-疾病非关联对构建负样本训练集合,影响预测方法的鲁棒性。方法 本文提出一种基于网络嵌入的NELDA方法,预测潜在的lncRNA-疾病关联关系。NELDA首先利用lncRNA表达谱、疾病本体论和已知的lncRNA-疾病关联关系,构建lncRNA相似性网络、疾病相似性网络和lncRNA-疾病关联网络。然后,通过设计4个深度自编码器分别从lncRNA/疾病的相似性网络、lncRNA-疾病关联网络学习lncRNA和疾病的低维网络嵌入特征。串联lncRNA和疾病的相似性网络嵌入特征及lncRNA和疾病的关联网络嵌入特征,分别输入两个支持向量机分类器预测lncRNA-疾病关联。最后,采用加权融合策略融合两个支持向量机分类器的预测结果,给出lncRNA-疾病关联关系的最终预测结果。另外,根据已知的lncRNA-疾病关联对和疾病语义相似性,设计一种负样本选取策略构建可信度相对较高的lncRNA-疾病非关联对样本集,用以改善分类器的鲁棒性,该策略通过设计一种打分函数为每对lncRNA-疾病进行打分,选取得分较低的lncRNA-疾病对作为lncRNA-疾病非关联对样本(即负样本)。结果 十折交叉验证实验结果表明:NELDA能够有效预测lncRNA-疾病关联关系,其AUC达到0.982 7,比现有LDASR和LDNFSGB方法分别提高了0.062 7和0.020 7。另外,负样本选取策略与决策级加权融合策略能够有效改善NELDA预测性能。胃癌和乳腺癌案例研究中,29/40 (72.5%)预测的与胃癌和乳腺癌关联lncRNAs,在近期文献和公共数据库中能够发现相关的支撑证据。结论 这些实验结果表明,NELDA是一种有效的lncRNA-疾病关联关系预测方法,具有挖掘潜在lncRNA-疾病关联关系的能力。

LncRNA-疾病关联预测方法研究

越来越多的生物实验证实,长链非编码RNA(lncRNA)的功能异常与多种人类复杂疾病的发生具有明显关联。传统实验方法验证lncRNA-疾病关联费时费力,利用现有生物实验数据,通过计算方法预测lncRNA-疾病关联,可为生物实验设计提供重要参考,具有重要现实意义。本文对当前主流lncRNA-疾病关联预测的计算方法进行综述,总结各类方法的优点和不足,并展望后续模型的开发。

基于融合神经网络的LncRNA与疾病关联预测方法

长链非编码RNA(Long non-coding RNA,LncRNA)的异常表达与疾病的生理和病理过程密切相关,识别LncRNA与疾病之间的潜在关联有助于理解疾病的分子发病机制。以往的方法未能深度整合异构的多源数据以及学习高维特征表示。为此,文中提出了一种基于融合神经网络(Fusion Neural Networks,FNN)预测候选疾病相关LncRNA的方法FNNLDA。FNNLDA整合与LncRNA、疾病和miRNAs相关的多种数据,采用多模型融合思想,利用栈式自编码器和融合神经网络两种深度学习模型分别学习LncRNA-疾病对的高级特征,最后融合两个模块的预测分值来预测LncRNA-疾病的关联性。五折交叉验证显示FNNLDA方法的AUC值比SIMCLDA,MFLDA,CNNLDA和LRLSLDA分别提升了12.5%,15.1%,3.4%和5.8%,表明其在LncRNA-疾病预测性能上有较大提升。基于胃癌疾病案例进行研究,结果证明FNNLDA能够有效识别与疾病关联的潜在LncRNA。

SRF-LDA:基于堆叠集成学习的LncRNA与疾病关联预测方法

长链非编码RNA (lncRNA)是一类长度大于200 nt的非编码RNA,是非编码基因组的重要组成部分。大量实验证实,lncRNA与人类疾病的发生发展密不可分,但除了一小部分的lncRNA与人类疾病关系已知之外,大多数的lncRNA与人类疾病的关系仍然有待研究,因此准确识别与疾病有关的lncRNA有助于研究lncRNA在疾病中的作用机制,探索治疗疾病的新方法。在本研究中,为了提高对LDA的预测能力,我们实现了一种基于堆叠集成学习的LDA预测模型(简称SRFLDA)。在SRFLAD中,第一部分通过整合lncRNA的K-mer、疾病的高斯相互作用谱核相似性及已知lncRNA-疾病关联(LDA)三种类型的特征作为融合特征输入模型。第二部分使用堆叠集成学习策略通过组合多个不同参数的随机森林分类器作为基模型进行特征分类,并使用支持向量机作为元模型对随机森林的分类结果进行组合优化,从而得到更准确、鲁棒的LDA预测结果。第三部分通过十倍交叉验证对模型进行训练评价。结果表明该方法在预测LDA方面具有较好的性能,平均AUC的值为0.9246,平均AUPR值为0.9166,预测效果优于其他几种现有的LDA预测模型。

一种lncRNA与疾病关联的多层线性投影预测算法

LncRNA-疾病关联预测的计算方法是解决传统生物学实验昂贵且费时的有效途径,其中基于机器学习的计算方法是当前研究热点,但其存在着未充分考虑lncRNA-疾病关联矩阵的局部结构和全局结构的问题.因此,本文提出了一种lncRNA与疾病潜在关联的多层线性投影预测方法(MLPLDA:Multi-layer linear projection for predicting lncRNA-disease association).MLPLDA利用组合加权整合lncRNA和疾病的两种相似性,然后用WKNKN重构原始的lncRNA-疾病关联矩阵,最后使用堆叠层策略的多层线性投影进行lncRNA-疾病关联预测.在留一和五折交叉验证实验中,MLPLDA获得的AUC分别是0.8807和0.8563±0.0045,体现了其可靠的性能.在3种疾病(肺癌,乳腺癌和骨肉瘤)的案例研究中,MLPLDA能够有效预测与3种疾病有关系的lncRNA.

lncRNA与疾病关联关系预测研究进展

lncRNAs(long noncoding RNAs)是一类长度超过200个核苷酸的非编码RNAs,越来越多的证据表明lncRNAs在许多生物过程中起关键作用。lncRNAs也与多种疾病的发生和发展有密切的联系。近年来,很多研究人员关注于预测lncRNA与疾病的关联预测的计算模型,这可以有效地减少生物实验的时间和成本。本文总结了近年来有关lncRNA与疾病关联预测的一些数据资源和有代表性的计算方法,并对当前存在的问题进行了分析,讨论了未来的挑战和发展方向。

长链非编码RNA与疾病关联关系的预测方法研究

随着高通量测序技术与计算机技术的高速发展,越来越多的研究表明lncRNA与多种人类疾病密切相关,两者间的关联成为了新的研究热点。本文简要概述了一些可供预测和验证使用的公共数据库,以及近几年来开发的预测lncRNA-疾病关联的算法与工具,分析了这些算法与工具共同存在的问题,并讨论了未来的发展方向。

LncRNA与疾病关系的知识图谱构建

基于长链非编码核糖核酸(long non-coding RNA, LncRNA)和疾病关系的分析,对LncRNA和疾病知识概念建模,提出一种有效的LncRNA与疾病关系的知识图谱构建方法。使用Protégé构建本体结构,建构概念层,整合结构化与非结构化两种不同来源的数据形成数据层,通过资源描述框架(resource description frame, RDF)/网络本体语言(web ontology language, OWL)技术对数据及相应的关系进行描述,采用基于前向推理的产生式规则进行相应的知识推理,通过SPARQL查询语言和可视化技术展示知识查询的推理效果。这一研究将为LncRNA与疾病的关系研究提供参考,推动该领域的发展。

LncRNA调控人类疾病关系数据库的研究

人类疾病与长链非编码RNA(LncRNA)的调控功能异常具有密切关系。近年来,出现了许多LncRNA-人类疾病关联数据库,为识别LncRNA调控人类疾病的功能提供了极大便利。本文对多个主流LncRNA调控人类疾病关联数据库作一综述,为该领域的进一步研究提供参考。