基于图注意力网络和对偶拉普拉斯正则化最小二乘法预测miRNA-疾病关联

越来越多的生物医学证据表明，miRNA的失调与人类复杂疾病密切相关。识别疾病相关miRNA对疾病预防、诊断和治疗具有重要意义。为了减少生物医学实验的时间和成本，亟需开发高效的计算方法来推断潜在的miRNA-疾病关联。尽管目前已提出许多计算方法来解决这一问题，但预测准确性仍需进一步提高。在本研究中，我们提出了一个名为 MKGAT 的计算框架，该框架利用对偶拉普拉斯正则化最小二乘法，通过图注意力网络（GATs）来预测miRNA与疾病之间的潜在关联。我们利用 GATs，从已知的miRNA-疾病关联、miRNA内部相似性和疾病内部相似性的初始输入特征中，学习每一层miRNA和疾病的嵌入表示。随后，我们基于高斯相互作用谱（GIP）并结合所学习的嵌入计算miRNA和疾病的核矩阵。我们进一步利用注意力机制融合各层的核矩阵与初始相似性。最后，利用融合后的miRNA和疾病核矩阵应用对偶拉普拉斯正则化最小二乘法，以预测新的miRNA-疾病关联。通过 5-fold cross-validations 与六种最先进的方法进行对比，我们的方法 MKGAT 获得了最高的 AUROC 值为 0.9627，AUPR 值为 0.7372。我们利用 MKGAT 预测了三种癌症的相关miRNA，发现这三种疾病中预测排名前 50 的结果均被现有数据库所证实。优异的性能表明，MKGAT 可作为揭示疾病相关miRNA的有效计算工具。