基于多源异质网络相似性优化的lncRNA-疾病关联预测模型OS-LDA研究

为解决现有lncRNA-疾病关联预测模型网络信息单一、相似性计算稀疏性问题，研究人员提出OS-LDA模型，通过整合疾病-lncRNA-基因-miRNA四维网络，创新性引入惩罚因子改进疾病语义相似性计算，并融合多交互谱优化高斯相似性。该模型在十折交叉验证中平均AUC达0.9876，显著优于现有方法，为疾病机制研究提供新工具。

　　

在生命科学领域，长链非编码RNA（lncRNA）如同基因组中的"暗物质"，近年被证实与癌症、神经退行性疾病等复杂疾病密切相关。然而，现有预测模型多局限于疾病-lncRNA二元网络，忽视了基因、miRNA等关键分子的调控作用，且传统疾病语义相似性计算存在数据稀疏性缺陷。这些问题导致预测准确性受限，阻碍了疾病分子机制的深入解析。

安徽省研究团队在《Computational Biology and Chemistry》发表的研究中，构建了名为OS-LDA的创新模型。该研究通过四大技术突破实现精准预测：整合疾病-lncRNA-基因-miRNA四维异构网络；融合疾病本体术语与表型特征的新型语义相似性算法；基于惩罚因子的稀疏矩阵校正方法；整合多交互谱的高斯相似性计算。最终通过随机游走重启算法（RWR）在整合网络上实现关联预测。

数据收集
研究整合5339对已知疾病-lncRNA关联数据（190疾病/814 lncRNA），源自多个权威数据库。通过构建四类分子（疾病/lncRNA/miRNA/基因）的相似性矩阵与六种关联矩阵，形成包含10个子网络的异质网络体系。

异质网络构建
创新点在于：疾病相似性网络采用改进的语义相似性算法，结合DAG（有向无环图）结构与表型相关性，通过惩罚因子λ=0.9校正稀疏值；lncRNA相似性网络融合功能相似性与多源高斯交互谱（η_L=0.1）；基因与miRNA网络采用类似策略（η_G/η_M=0.1）。

性能评估
十折交叉验证显示，OS-LDA平均AUC达0.9876±0.0021，AUPR为0.9189，显著优于LRWRHLDA等5种对比模型。参数敏感性测试表明，当转移概率P_DM=P_DG=P_DL=0.1且重启概率b=0.3时模型最优。

方法对比
与单网络模型RWRlncD相比，OS-LDA通过多网络整合使预测精度提升12.7%；与矩阵分解方法MFLDA相比，其AUPR提高23.4%，证实异质网络信息融合的有效性。

该研究开创性地构建了四维分子关联预测框架，其核心价值在于：通过惩罚因子解决疾病语义相似性计算中"语义鸿沟"问题；多交互谱融合策略克服单数据源偏差；网络拓扑结构优化使RWR算法收敛效率提升40%。这些突破不仅为lncRNA功能注释提供新范式，更为复杂疾病的多靶点治疗策略开发奠定理论基础。研究团队特别指出，未来可扩展至circRNA等非编码RNA领域，推动精准医学发展。