Key points are not available for this paper at this time.
Ces dernières années, de nombreuses expériences ont prouvé que les microARN (miARN) jouent une variété de rôles régulateurs importants dans les cellules, et leur expression anormale peut conduire à l'émergence de maladies spécifiques. Par conséquent, il est très précieux de mener des recherches sur l'association entre les miARN et les maladies, ce qui peut aider efficacement à prévenir et traiter les maladies liées aux miARN. À l'heure actuelle, des méthodes computationnelles efficaces doivent encore être développées pour mieux identifier les associations potentielles miARN-maladie. Inspiré par les réseaux de neurones convolutifs de graphes, dans cette étude, nous proposons une nouvelle méthode basée sur des réseaux de similarité multi-vues sensibles à l'attention et l'apprentissage hypergraphique pour l'identification des associations MiRNA-Maladie (AMHMDA). Tout d'abord, nous construisons plusieurs réseaux de similarité pour les miARN et les maladies, et exploitons le mécanisme d'attention de fusion des réseaux de neurones convolutifs de graphes pour obtenir des informations importantes provenant de différentes vues. Ensuite, afin d'obtenir des liens de haute qualité et des informations de nœuds plus riches, nous introduisons une sorte de nœuds virtuels appelés hypernœuds pour construire un hypergraphe hétérogène des miARN et des maladies. Enfin, nous employons le mécanisme d'attention pour fusionner les sorties des réseaux de neurones convolutifs de graphes, prédisant les associations miARN-maladie. Pour vérifier l'efficacité de cette méthode, nous effectuons une série d'expériences sur la base de données des maladies liées aux microARN humains (HMDD v3.2). Les résultats expérimentaux montrent qu'AMHMDA a de bonnes performances par rapport à d'autres méthodes. De plus, les résultats de l'étude de cas démontrent également pleinement la performance prédictive fiable d'AMHMDA.
Qiao et al. (Mer,) ont étudié cette question.