LHRCDA：基于可学习超图重构的环状RNA与药物敏感性关联预测

《Computational Biology and Chemistry》：LHRCDA: Predicting associations between circRNA and drug sensitivity via learnable hypergraph reconstruction

本文提出了一种创新性的可学习超图重构方法（LHRCDA），用于预测环状RNA（circRNA）与药物敏感性之间的关联。该方法通过动态超图重构机制自适应捕获高阶结构信息，结合分层超图映射和层次感知融合策略，有效解决了传统方法在挖掘复杂非线性相互作用方面的局限性，为疾病机制解析和靶向治疗策略开发提供了新的计算工具。

　　

Highlight

LHRCDA模型通过引入可学习超图重构机制，在环状RNA-药物敏感性关联预测任务中展现出卓越性能，其创新性设计为复杂生物网络的高阶信息挖掘提供了新范式。

Discussion

与现有模型相比，LHRCDA表现出显著优势。例如，GATECDA采用图注意力自编码器从稀疏数据中提取关键特征；MSMCDA结合多视图共享单元与多通道注意力机制增强特征提取能力；MNGACDA集成多模态注意力进行特征学习。而LHRCDA引入了可学习的超图重构机制，能够自适应优化超边连接，更精准地捕获环状RNA与药物之间的高阶语义交互。分层感知融合策略进一步整合了异质图和超图的多层次特征，有效提升了节点表示能力。

Contributions

LHRCDA的优异性能归功于其可学习超图重构机制和层次感知融合策略。与传统依赖固定图结构或仅捕获低阶邻域信息的方法不同，LHRCDA利用参数化超图结构进行动态重构，有效建模环状RNA与药物间的高阶语义交互。此外，层次感知融合策略通过动态加权方式整合多层次特征，显著增强了模型的表达能力。

CRediT authorship contribution statement

王敬帅：原始稿件撰写，软件实现，数据调查；宋金淼：研究指导，方法论设计，基金获取；翟慧：研究监督，资金支持；王旭：数据可视化；李明轩：概念化设计。

Declaration of competing interest

作者声明以下可能构成潜在竞争利益的财务关系/个人关系：已申请相关专利。其他作者声明不存在可能影响本研究成果的已知竞争性财务利益或个人关系。

Acknowledgments

本研究得到新疆维吾尔自治区自然科学基金（2024D01C54）、国家自然科学基金（62562056）、新疆维吾尔自治区基础科研业务费（XJEDU2024P027）的资助。同时感谢新疆医科大学第一附属医院基金、2024年新疆维吾尔自治区保健研究项目（HT20240029）的额外支持。