Aufmerksamkeitgesteuertes Multiview-Deep-Learning-Framework entdeckt miRNA-Drogen-Assoziationen für die therapeutische Entdeckung

MicroRNAs (miRNAs) spielen eine kritische Rolle bei der Regulierung verschiedener biologischer Prozesse und bieten erhebliches Potenzial zur Behandlung menschlicher Krankheiten. Abweichende Expression von miRNAs trägt bekanntlich zur Arzneimittelresistenz/-empfindlichkeit bei und stellt eine bedeutende Herausforderung für miRNA-basierte therapeutische Ansätze dar. Derzeit sind traditionelle biologische Experimente zur Erkennung von miRNA-Drogen-Assoziationen (MDAs) kostspielig und zeitaufwendig, während sequenz- oder topologiebasierte Deep-Learning-Methoden für ihre Effizienz und Genauigkeit Anerkennung gefunden haben. Dennoch neigen bestehende rechnergestützte Methoden dazu, mehrere Informationsquellen zu ignorieren und sind zu stark von bekannten MDAs abhängig. Wir stellen ein auf Aufmerksamkeit basierendes Multiview-Deep-Learning-Framework (DLMVF) zur Vorhersage von MDAs vor. Unser innovativer Ansatz integriert umfassend multisource Informationen über miRNAs und Drogen anstatt sich ausschließlich auf Interaktionsgraphdaten zu stützen. DLMVF umfasst Module für miRNA-Attribut-View-Encoder, Drogen-Attribut-View-Encoder und miRNA-Drogen-Interaktions-Encoder, die die Extraktion von miRNA- und Drogenmerkmalen aus mehreren Perspektiven ermöglichen. Darüber hinaus kann DLMVF die gelernten latenten Repräsentationen zur Vorhersage von Assoziationen durch Ansichtsebene-Aufmerksamkeit verbessern, die adaptiv die Bedeutung verschiedener Merkmale lernt. Zur Bewertung der Effektivität von DLMVF haben wir manuell einen experimentellen Benchmark-Datensatz basierend auf der neuesten Datenbank erstellt. DLMVF erreicht einen AUROC von 0,9611 und einen AUPRC von 0,9543 auf dem Benchmark-Datensatz. Umfangreiche Benchmark-Tests zeigen, dass DLMVF bestehende Methoden mit guter Robustheit und Generalisierung übertrifft. Zusätzlich demonstriert eine Fallstudie zu drei gängigen Krebsmitteln dessen Effektivität bei der Entdeckung neuer MDAs. Daten und Quellcode werden unter https://github.com/Lgubig/DLMVF_model veröffentlicht.