基于邻域聚合图Transformer与Kolmogorov-Arnold网络的代谢物-疾病关联预测增强方法

本研究针对代谢物-疾病关联预测中存在的稀疏性和可解释性不足问题，提出新型AGKphormer模型。通过ADMM算法优化最小核范数增强关联关系，结合FastKAN增强的Graph Transformer实现全局特征学习。实验显示其AUC达97.32%，显著优于现有方法，为疾病生物标志物发现提供可靠计算工具。

　　

代谢物作为细胞化学反应的终产物，其浓度变化与疾病发生发展密切相关。从糖尿病、肥胖到癌症的"Warburg效应"，代谢异常已成为多种疾病的共同特征。然而传统实验方法效率低下，现有计算模型又面临关联稀疏（仅0.77%已知关联）、图神经网络(GCN)存在过平滑等瓶颈。更棘手的是，Transformer模型虽能捕捉长程依赖，却受限于计算复杂度和可解释性不足。

甘肃某研究团队在《Journal of Computational Science》发表的研究给出了创新解决方案。团队开发出AGKphormer模型，通过四大技术突破实现性能跃升：首先采用交替方向乘子法(ADMM)优化最小核范数，增强稀疏关联网络；其次构建包含代谢物相似度(MSN)和疾病相似度(NSD)的异质网络；进而设计融合图卷积网络(GCN)与FastKAN增强的Graph Transformer架构；最终通过双线性解码器重构关联预测。

方法创新性体现在：1）首次将核范数优化应用于关联增强，通过ADMM算法迭代求解，补充节点间稀疏关系；2）在Graph Transformer中引入快速Kolmogorov-Arnold网络(FastKAN)，其可解释结构提升模型透明度；3）集成GCN的局部特征提取与Transformer的全局建模优势，解决传统GCN的过平滑问题。

关键实验结果显示：在五折交叉验证中，AGKphormer的AUC(97.32%)和AUPR(97.34%)显著优于Deep-DRM、LGBMMDA等方法。案例研究进一步证实，模型预测的Top15关联中多数获文献支持，如支链氨基酸与2型糖尿病的关联。

讨论部分强调该研究的三大价值：1）方法学上创造性地融合优化理论与深度学习，为稀疏关联预测提供新范式；2）临床层面可加速代谢生物标志物发现，如揭示癌症代谢重编程机制；3）开源的AGKphormer服务器()促进科研成果转化。未来工作可扩展至多组学数据整合，进一步探索代谢网络与疾病通路的深层关联。

这项由甘肃省科技计划(24YFFA023)等资助的研究，标志着计算生物学在代谢组学领域的重要突破。Pengli Lu与Jian Zhang等研究者通过学科交叉创新，不仅提升了预测精度，更开辟了增强图神经网络可解释性的新途径，为精准医疗时代的代谢疾病研究提供强力工具。