基于超图卷积网络和图变换器的多源相似性融合方法预测miRNA-疾病关联

《Computational Biology and Chemistry》：A multi-source similarity fusion method based on hypergraph convolutional networks and graph transformers for predicting miRNA-disease associations

本研究针对miRNA-疾病关联(MDA)预测中存在的准确率低、泛化能力弱及数据单一等问题，提出了一种融合超图卷积网络(HGCN)和图变换器(GraphT)的HGC-GraphT模型。通过整合药物-疾病关联、蛋白质、circRNA和LncRNA等多源数据构建超图，有效挖掘节点间关联信息。实验结果表明，该方法在AUC、AUPR等指标上显著优于现有方法，并能准确预测结肠癌等疾病的关联miRNA，为生物医学研究提供了可靠辅助工具。

在生物医学研究领域，微小核糖核酸(microRNA，miRNA)作为一类长度约20-25个核苷酸的非编码RNA，正日益成为科学家们关注的焦点。这些微小的分子虽然不直接参与蛋白质编码过程，却在基因表达调控中扮演着关键角色，影响着细胞增殖、分化、凋亡等重要生命活动，更与心血管疾病、癌症等多种疾病的发生发展密切相关。随着研究的深入，科学家们发现miRNA与疾病之间的关联性研究对于疾病预防和治疗具有重大意义，然而传统实验方法存在周期长、成本高的局限性，而现有的计算方法又往往面临预测准确率不高、泛化能力较弱以及使用数据单一等问题。

在这一背景下，戴凌云、米成龙等研究人员在《Computational Biology and Chemistry》上发表了一项创新性研究，提出了一种名为HGC-GraphT的新方法，该技术融合了超图卷积网络(Hypergraph Convolutional Network，HGCN)和图变换器(Graph Transformer)的优势，为miRNA-疾病关联预测开辟了新途径。

研究团队采用了几个关键技术方法：首先，通过整合药物-疾病关联信息、蛋白质信息、环状RNA(circRNA)信息和长链非编码RNA(LncRNA)信息等多源相似性数据，构建了包含丰富关联信息的超图结构；其次，利用超图卷积神经网络充分获取超图内部的属性特征；同时，通过构建生物实体图来补充模型获取单一特征的问题；最后使用多层感知机(Multilayer Perceptron)预测未知的miRNA-疾病关联得分。所有实验均基于人类microRNA疾病数据库HMDD v3.2进行，并采用5折交叉验证确保结果的可靠性。

Overall Framework（总体框架）

研究团队设计的三部分框架展现了方法的系统性：首先构建包含多种相似性关系的miRNA-疾病网络，融合多源相似性信息形成超图网络；然后通过HGCN模型提取miRNA和疾病的属性特征，同时利用图变换器捕获生物实体图中的复杂关系；最后将两部分特征融合进行预测。这种双路径设计既考虑了局部特征也兼顾了全局关系。

Dataset settings（数据集设置）

研究选用了目前广泛使用的人类microRNA疾病数据库HMDD v3.2作为数据来源，该数据库专门用于存储与miRNA相关的疾病信息，包含了经过验证的miRNA-疾病关联数据。相比其他数据库如dbDEMC和miR2Disease，HMDD数据库在miRNA-疾病关联研究领域具有更高的权威性和完整性。

实验结果令人振奋：HGC-GraphT在AUC（曲线下面积）、AUPR（精确率-召回率曲线下面积）、ACC（准确率）、F1分数、召回率和精确率等多个评估指标上均显著优于其他五种对比方法。特别值得注意的是，案例研究进一步证实了该方法的实用性——HGC-GraphT能够准确预测与结肠癌和胃肠道肿瘤相关的miRNA，展现了其在真实医疗场景中的应用潜力。

Conclusion（结论）

研究表明，HGC-GraphT通过结合超图卷积网络和图变换器的优势，有效解决了传统方法在miRNA-疾病关联预测中的多个瓶颈问题。该方法不仅提高了预测准确性，还通过多源数据融合增强了模型的鲁棒性。然而，研究也指出在处理大规模生物数据时面临的计算复杂度和数据噪声等挑战，这为未来研究指明了方向。

这项研究的重要意义在于，它不仅提出了一种新的计算方法，更重要的是为生物医学研究者提供了一个可靠的计算工具，能够加速miRNA相关疾病的机制研究和治疗策略开发。随着更多生物数据的积累和计算方法的优化，类似HGC-GraphT这样的智能预测模型有望在精准医疗和药物研发领域发挥越来越重要的作用。