基于自适应图卷积网络与双特征策略的circRNA-疾病关联预测模型AGDFCDA

本研究针对circRNA-疾病关联预测中传统实验成本高、现有计算模型特征提取单一的问题，提出AGDFCDA模型，结合全连接神经网络与自适应图卷积网络(AGCN)实现双特征提取，通过五折交叉验证证实其预测性能显著优于现有方法，为疾病机制研究和生物标志物发现提供高效工具。

　　

在生命科学领域，环状RNA（circRNA）因其独特的闭环结构和稳定性成为研究热点。自1976年首次发现以来，科学家们逐渐揭示circRNA作为miRNA海绵、基因调控因子等功能，其异常表达与癌症、阿尔茨海默病等疾病密切相关。然而，传统生物实验的高成本和复杂性严重制约了研究进展。尽管已有基于网络分析（如KATZHCDA、CircWalk）和机器学习（如DMFCNNCD、MAMLCDA）的预测模型，但普遍存在特征提取单一、数据依赖性强的缺陷。

为解决这一难题，中国的研究团队开发了AGDFCDA模型。该研究通过融合circRNA与疾病的多重相似性构建网络，创新性地采用双特征提取策略：先用全连接神经网络降维初提特征，再引入自适应图卷积网络（Adaptive Graph Convolutional Network, AGCN）深度挖掘隐藏信息，最终通过多层感知机实现关联预测。实验基于CircR2Disease数据库的650组人类关联数据（585种circRNA与88种疾病），五折交叉验证显示其AUC等指标显著优于对比模型。案例研究进一步证实，模型预测的circHIPK3、CDR1as等疾病相关circRNA与已有实验证据高度吻合。

关键技术包括：1）基于CircR2Disease数据库构建人类circRNA-疾病关联数据集；2）多相似性融合构建异质网络；3）双特征提取策略（全连接神经网络+AGCN）；4）多层感知机分类器优化。

Human circRNA-disease association
研究筛选CircR2Disease数据库中实验验证的650对关联数据，涵盖585种circRNA与88种疾病，为模型训练提供可靠基准。

Evaluation metrics
五折交叉验证显示，AGDFCDA在AUC、AUPR等指标上均超越对比模型，其中AUC达0.987，证实其卓越的预测稳定性。

Conclusion
该模型突破传统单特征提取局限，通过AGCN与神经网络协同挖掘circRNA-疾病关联的深层特征。预测结果可为湿实验提供高置信度候选分子，显著降低研究成本。国家自然科学基金资助（61972226、62472250等）支持的研究成果发表于《Journal of Computational Science》，为疾病机制解析和精准医疗提供新思路。

讨论部分强调，AGDFCDA的创新性在于：1）首次将自适应图卷积应用于circRNA特征学习，增强模型对复杂生物网络的表征能力；2）双特征策略兼顾全局与局部信息，克服单一方法偏差；3）预测结果经多癌症类型验证，展现跨疾病泛化潜力。未来可整合单细胞测序等数据进一步提升预测精度。