编辑推荐：
本综述聚焦微小 RNA（miRNAs）与小分子（SMs）关联（SMAs）预测，阐述 SMAs 数据资源、特征提取方法及相似性度量，梳理 32 种基于机器学习（ML）的预测方法（含经典 ML、深度学习等六类），分析算法应用趋势与性能，为相关研究提供方向。
微小 RNA 与小分子关联预测的机器学习研究进展
一、微小 RNA（miRNAs）的生物学意义与研究挑战
MicroRNAs（miRNAs）作为进化上保守的小型调控元件，广泛存在于细胞中，在多种人类疾病的发生和发展过程中被发现存在异常表达。因其在疾病诊断和治疗中的潜力，miRNAs 日益成为备受关注的潜在靶点，小分子（small molecules, SMs）对其抑制作用的研究具有重要意义。然而，SM 与 miRNA 关联（SM-miRNA associations, SMAs）的知识较为匮乏，主要原因在于 miRNA 动态且难以预测的三维结构限制了 SMs 的高通量筛选，而实验确定 SM-miRNA 相互作用成本高昂且耗时费力。
二、机器学习在 SMAs 预测中的应用框架
机器学习（machine learning, ML）作为一种经济高效的平台，为 SMAs 预测提供了新途径。本综述围绕 ML 引导的 SMAs 预测展开多方面探讨：
- 数据资源：详细介绍了可用于算法训练的 SMA 数据资源，这些数据是开展 ML 建模的基础。
- 特征提取与相似性度量：阐述了针对 SMs 和 miRNAs 的各种特征提取方法及相似性度量手段。通过对分子结构、序列等特征的分析，为后续算法建模提供输入依据。
三、基于机器学习的 SMAs 预测方法分类与总结
目前已开发的 32 种基于 ML 的 SMA 预测方法可分为六大类：
- 经典机器学习方法：利用传统的 ML 算法如支持向量机、随机森林等构建模型，对 SMAs 进行预测。
- 深度学习方法：借助深度神经网络等模型，自动学习数据中的复杂特征，提升预测性能。
- 矩阵分解方法：通过对数据矩阵的分解，挖掘潜在的 SM 与 miRNA 关联模式。
- 网络传播方法：基于生物网络结构，将关联信息在网络中进行传播，以预测潜在关联。
- 图学习方法：将 SM 和 miRNA 视为图结构中的节点，利用图神经网络等技术捕捉节点间的关系。
- 集成学习方法：结合多种算法的优势，提高预测的准确性和鲁棒性。
四、算法应用趋势与性能分析
通过趋势分析，探讨了 ML 算法在 SMA 预测中的使用模式及性能表现。不同方法在特征利用、模型复杂度等方面各有特点，其性能受到数据质量、特征选择等多种因素影响。
五、总结与未来研究方向
本综述概述了最新方法的关键原理，并比较了它们的成果，为基于 ML 的 SMA 预测研究的关键领域提供了有价值的见解。未来研究可进一步优化特征提取方法、开发更高效的算法模型，以推动 SMAs 预测的准确性和实用性，为基于 miRNA 的疾病诊断和治疗提供更有力的支持。
