OFGPMA：用于假基因与miRNA关联预测的最优频率图表示学习方法

《Frontiers in Genetics》：OFGPMA: Optimal frequency graph representation learning for pseudogene and miRNA association prediction

提出基于最优频率图表示学习（OFGPMA）的模型，通过Rayleigh池化和Chebyshev小波变换提取高、低频能量特征，融合全局RWR图与局部闭合子图信息，增强图神经网络的表达能力，有效预测假基因-miRNA相互作用，并在多种生物关联任务中验证其泛化性能和优越性。

　　
该研究提出了一种名为OFGPMA（Optimal Frequency Graph Representation Learning Approach）的深度学习框架，旨在通过整合高频率和低频率图信号特征来优化伪基因-miRNA关联预测。以下是全文的详细解读：

### 一、研究背景与问题提出
1. **生物学背景**
伪基因是基因家族中因基因复制或突变形成的非功能性序列，其结构类似功能基因但缺乏生物学活性。miRNA作为非编码RNA分子，通过调控靶标基因表达影响细胞功能。两者通过竞争性内源RNA（ceRNA）网络协同作用，参与疾病发生发展过程。然而，现有数据库（如starBase v2.0）仅收录了444个伪基因与173个miRNA的已知关联，且发现这些关联主要依赖实验验证，导致新关联挖掘效率低下。

2. **技术瓶颈**
当前主流方法存在两大缺陷：
- **相似性假设依赖**：如PMAGAE模型通过Jaccard、余弦相似性构建图网络，但生物学网络中微小的序列差异可能导致相似性假设失效。
- **局部与全局特征割裂**：现有模型（如GAE）仅利用图结构本身，未有效整合局部子图特征（如封闭子图）与全局拓扑特征（如随机游走重启算法提取的全局传播特性）。

3. **创新动机**
研究发现，伪基因-miRNA关联网络同时具有以下特性：
- **高阶子图特征**：如长度为3的闭包子图（m→p→m→p）能捕捉miRNA与伪基因的协同调控机制。
- **非均匀频率分布**：伪基因的调控可能包含高频局部信号（如特定miRNA结合位点突变）和低频全局信号（如肿瘤微环境中miRNA的共表达模式）。
- **跨领域泛化需求**：模型需在多种生物关联任务（如基因-疾病、piRNA-疾病）中保持性能稳定性。

### 二、方法设计：OFGPMA框架
1. **双模块协同架构**
- **最优频率发现模块（OFD）**
- **高频特征提取**：采用Rayleigh商优化技术，通过调整参数θ和μ，增强对图网络中显著突变区域（如关键miRNA结合位点的伪基因序列）的敏感性。
- **低频特征提取**：基于Chebyshev小波变换，通过多项式近似实现多尺度信号分析，捕捉伪基因与miRNA在进化过程中的保守调控机制。
- **特征融合策略**：通过可学习参数π实现高/低频特征的加权融合（公式：Embedding=π·H_RQ+(1-π)·H_CWT），其中π在0到1之间动态调整，确保不同频率特征的有效结合。

- **图表示学习模块（GRL）**
- **局部子图提取**：以miRNA为种子节点，通过递归扩展伪基因邻居（最多3跳），构建包含miRNA-伪基因-辅助节点（如关联基因）的闭包子图。
- **全局拓扑分析**：采用随机游走重启（RWR）算法，从伪基因节点出发进行概率传播，捕捉跨组织、跨物种的miRNA调控网络的全局结构。
- **多尺度特征融合**：将局部闭包子图特征（通过GAT注意力机制提取）与全局RWR特征（通过GCN聚合）拼接，输入双层GCN进行联合表示学习。

2. **损失函数设计**
- **对比学习损失（L_cl）**：通过二元Discriminator函数计算高/低频特征分布差异，使用KL散度优化。
- **分类损失（L_ce）**：基于二分类交叉熵，结合已知关联对（starBase数据库）训练预测模型。
- **动态权重分配**：总损失函数为L_total=α·L_cl+β·L_ce，其中α和β通过反向传播自动优化，实现不同任务场景的适应性调整。

### 三、实验验证与性能分析
1. **基准数据集**
- 核心数据集：starBase v2.0（444个伪基因、173个miRNA、1884个已知关联）。
- 扩展数据集：包含miRNA-疾病（2768对）、基因-疾病（4832对）、piRNA-疾病（1592对）、微生物-疾病（843对）等多领域关联数据。

2. **评估指标**
- **AUC**：衡量模型区分能力（OFGPMA达0.8718，优于PMAGAE的0.8623）。
- **AUPR**：评估正样本识别能力（OFGPMA达0.9105，较GCN提升2.3%）。
- **F1-score**：平衡精确率和召回率（OFGPMA达0.9133，在0.9以上稳定运行）。

3. **对比实验结果**
| 模型 | AUC | AUPR | F1-score |
|---------------------|--------|--------|----------|
| PMAGAE | 0.8623 | 0.8996 | 0.8987 |
| Node2Vec | 0.8415 | 0.8752 | 0.8761 |
| GAT | 0.8572 | 0.8934 | 0.8876 |
| OFGPMA | 0.8718 | 0.9105 | 0.9133 |

- **性能差距**：OFGPMA在AUC上较次优模型（NMFMC）提升2.03%，AUPR较GAT提升1.7%。
- **特征融合效果**：在包含辅助节点（如共表达基因）的闭包子图中，OFGPMA的F1-score较仅使用局部子图或全局RWR的变体（OFGPMA-RWR、OFGPMA-ES）提升8.2%-12.7%。

4. **鲁棒性测试**
- **数据不平衡**：当正样本/负样本比从1:1降至1:10时，OFGPMA的AUPR仍保持在0.87以上（优于其他模型）。
- **跨领域泛化**：在基因-疾病预测任务中，OFGPMA的AUC达到0.9136，较NIMGSA提升3.8%。
- **超参数敏感性**：
- **学习率**：1e-4时达到最优AUC（0.8718），超过1e-3后性能下降。
- **隐藏维度**：64维时F1-score最高（0.9133），128维时因过拟合导致性能下降4.2%。
- **辍火率**：0.3时模型稳定性最佳（AUC标准差<0.02）。

### 四、生物学意义与案例验证
1. **新关联发现**
在starBase数据库中，OFGPMA成功预测了3个新关联：
- **MTND4P12-miR-let-7e-5p**：该对在黑素瘤中协同调控线粒体功能，与已知AURKB-let-7eceRNA通路形成互补。
- **RPLP0P2-miR-21**：在肺腺癌中，该对可能通过抑制p53下游信号通路影响肿瘤进展。

2. **机制可解释性**
- **高频率特征**：对应伪基因与miRNA的物理结合位点（如发夹结构互补区域）。
- **低频率特征**：反映进化保守的调控模块（如 miR-34家族调控多个肿瘤相关基因的共表达网络）。
- **融合优势**：在乳腺癌数据集中，模型能同时识别已知的miR-145-CDKN2A通路和未报道的miR-200c-RPLP0P2新通路。

### 五、技术改进与局限性
1. **关键创新点**
- **双频域信号处理**：首次将Rayleigh商（高阶局部特征）与Chebyshev小波变换（低阶全局特征）结合，突破传统GNN单一频率分析的限制。
- **动态子图采样**：通过R次迭代（R=√(v/e)向上取整）自适应扩展闭包子图范围，避免局部特征捕获不足。
- **多任务学习框架**：在训练过程中同时优化miRNA-疾病和基因-疾病关联预测，提升跨模态泛化能力。

2. **应用局限**
- **数据稀疏性**：当前已知关联仅占可能潜在关联的15%-20%，导致负样本选择偏差。
- **跨物种泛化**：在非人类灵长类模型中，AUC下降至0.78（因物种特异性调控差异）。
- **特征可解释性**：未直接量化高/低频特征对预测的贡献度，需结合SHAP值分析优化。

### 六、未来研究方向
1. **多模态融合**
整合蛋白质互作网络（PPI）、代谢通路（如KEGG）和单细胞测序数据，构建三维生物知识图谱。

2. **不确定性建模**
引入贝叶斯深度学习框架，量化预测结果的不确定性（如对MTND4P12-miR-let-7e-5p关联的置信度评分）。

3. **动态网络建模**
在时间序列数据（如癌症患者治疗过程中的miRNA表达变化）中引入时序图神经网络（T-GNN），捕捉动态调控关系。

4. **合成数据增强**
使用GAN生成伪基因-miRNA交互数据，缓解训练集不足问题（实验表明可提升AUC 2.1%）。

### 七、总结
OFGPMA通过频率域特征分离与融合机制，解决了传统伪基因-miRNA预测模型在特征表达深度和泛化能力上的双重局限。其实验验证表明：
1. 在基准数据集上，较次优模型（NMFMC）性能提升8.7%，AUPR达到0.91（95%置信区间0.89-0.93）。
2. 跨领域迁移能力显著，基因-疾病预测AUC达0.9136，较单一任务模型提升12.4%。
3. 案例研究揭示了模型在肿瘤微环境中整合异质性调控网络的能力，为靶向治疗提供新思路。

该研究为非编码RNA调控网络的解析提供了可扩展的计算框架，未来结合多组学数据可望在精准医疗领域实现更大突破。