基于图机器学习的GraphSLA模型：小分子与长链非编码RNA相互作用预测新策略

为解决小分子(SMs)与长链非编码RNA(lncRNA)相互作用预测难题，印度中央喜马偕尔邦大学研究人员开发了GraphSLA模型。该研究整合Node2Vec网络特征与Mol2Vec/Doc2Vec分子特征，采用GraphSAGE等5种图学习算法，最终实现98.0%准确率和99.4% AUC-ROC，为lncRNA靶向药物开发提供新工具。

　　

在生命科学的"暗物质"领域，长链非编码RNA(lncRNA)正掀起一场基因调控的革命。这些长度超过200个核苷酸的神秘分子，从癌症到神经退行性疾病，几乎在所有重大疾病中扮演关键角色。H19、MALAT1等明星lncRNA的异常表达，已成为肿瘤发生发展的"分子开关"。更令人振奋的是，小分子药物(SMs)能够像"基因剪刀"般精准调控lncRNA功能，这为靶向"不可成药"靶点带来曙光。然而，面对人体内超过17万种lncRNA与海量化合物的组合，传统实验方法犹如大海捞针，亟需智能算法来破解这道生物医学的"组合爆炸"难题。

中央喜马偕尔邦大学计算生物学与生物信息学中心的研究团队在《Artificial Intelligence Chemistry》发表突破性研究。他们从ncRNADrug数据库精选3,563组SM-lncRNA关联数据，涵盖115种小分子与2,826种lncRNA的相互作用网络。研究创新性地融合了三大特征工程：用Mol2Vec解析小分子"化学语言"，用Doc2Vec破译lncRNA"序列密码"，再通过Node2Vec捕捉相互作用网络的拓扑特征。经过主成分分析(PCA)降维后，研究人员构建了包含GNN、GCN、GAT、GraphSAGE和SGConv五种图学习算法的比较体系。

关键技术包括：(1)从PubChem和LNCipedia获取SMILES序列与lncRNA序列；(2)采用Node2Vec进行网络特征提取；(3)运用Mol2Vec和Doc2Vec生成分子特征；(4)通过PCA保留95%变异性的83个主成分；(5)构建包含GAT、GCN等五种图神经网络的预测体系。

【数据整合】研究团队建立了包含正负样本的平衡数据集，通过匹配小分子和lncRNA的出现频率，有效避免了数据偏差。

【特征提取】创新性地发现"m+d+n"特征组合（Mol2Vec+Doc2Vec+Node2Vec）性能最优，其中小分子的Mol2Vec特征对模型提升贡献显著。PCA分析确定37个小分子主成分和46个lncRNA主成分可保留95%信息量。

【模型生成】GraphSAGE以98.0%准确率和99.4% AUC-ROC脱颖而出，其邻域采样策略特别适合稀疏的生物网络。比较发现，仅用分子特征(m+d)时性能最低，加入网络特征(d+d+n)后显著提升，而融合化学描述符的m+d+n组合达到巅峰。

【泛化能力】在20%-80%不同规模数据集和独立验证集测试中，GraphSAGE保持99.1%的稳定性能，显著优于GAT(97.5%)和GCN(98.2%)等模型。

这项研究开创了图机器学习在SM-lncRNA关联预测的新范式。特别值得关注的是，GraphSAGE的归纳学习特性使其能够处理未知节点，这对发现全新药物靶点组合具有独特优势。相比传统方法ALACD(92-99%AUC)和DeepLDA(97.0%AUC)，GraphSLA模型将预测精度推向新高度。该成果不仅为lncRNA靶向药物开发提供智能导航系统，其多尺度特征融合策略更为复杂生物网络分析树立了新标杆。未来，这种"化学信息学+生物信息学+图学习"的交叉研究模式，或将成为破解生物大数据关联谜题的金钥匙。