PBMDA: Un modelo computacional novedoso y efectivo basado en rutas para la predicción de asociaciones miARN-enfermedad

En los últimos años, un número creciente de estudios ha demostrado que los microARNs (miARNs) desempeñan roles críticos en muchos procesos biológicos fundamentales e importantes. Como uno de los factores patogénicos, los mecanismos moleculares subyacentes a las enfermedades complejas humanas aún no se han comprendido completamente desde la perspectiva del miARN. Predecir asociaciones potenciales miARN-enfermedad contribuye de manera importante a la comprensión de la patogénesis de las enfermedades, al desarrollo de nuevos medicamentos y a la formulación de diagnósticos y tratamientos individualizados para diversas enfermedades complejas humanas. En lugar de depender únicamente de experimentos biológicos costosos y que consumen tiempo, los modelos de predicción computacional son efectivos al predecir asociaciones potenciales miARN-enfermedad, priorizar miARNs candidatos para las enfermedades investigadas y seleccionar aquellos miARNs con mayores probabilidades de asociación para una validación experimental adicional. En este estudio, se propuso el modelo de predicción de Asociación MiARN-Enfermedad Basado en Rutas (PBMDA) integrando asociaciones conocidas de miARN-enfermedad humanas, similitud funcional de miARN, similitud semántica de enfermedades y similitud de perfil de interacción gaussiano para miARNs y enfermedades. Este modelo construyó un grafo heterogéneo compuesto de tres sub-grafos interconectados y adoptó además un algoritmo de búsqueda en profundidad para inferir asociaciones potenciales miARN-enfermedad. Como resultado, PBMDA logró un rendimiento confiable en los marcos de validación cruzada local y global (AUCs de 0.8341 y 0.9169, respectivamente) y validación cruzada de 5 pliegues (AUC promedio de 0.9172). En los estudios de caso de tres enfermedades humanas importantes, el 88% (Neoplasias esofágicas), el 88% (Neoplasias renales) y el 90% (Neoplasias del colon) de los 50 miARNs predichos principales han sido confirmados manualmente por informes experimentales previos de la literatura. A través de la comparación del rendimiento entre PBMDA y otros modelos anteriores en estudios de caso, el rendimiento confiable también demuestra que PBMDA podría servir como una herramienta computacional poderosa para acelerar la identificación de asociaciones enfermedad-miARN.