基于截断核范数最小化的精准矩阵补全方法预测miRNA-疾病关联

本研究针对miRNA-疾病关联（MDA）预测中计算模型的泛化性不足和算法复杂性问题，开发了AMCMDA模型。通过构建异质网络整合多源相似性信息，采用截断核范数正则化（truncated nuclear norm）和交替方向乘子法（ADMM）优化矩阵补全，显著提升了预测准确性。在HMDD三个版本数据集上的交叉验证显示，AUC值最高达0.9639，案例研究中>95%的预测结果被dbDEMC2.0和HMDD v4.0数据库验证，为疾病机制研究和生物标志物发现提供了高效工具。

　　

研究背景与意义

微小RNA（microRNA，miRNA）作为约22个核苷酸的非编码RNA，通过调控mRNA翻译参与细胞增殖、凋亡等关键生物学过程。异常miRNA表达与癌症等疾病密切相关，例如miR-135b在乳腺癌中通过调控LATS2表达破坏细胞周期，miR-21在肺癌中通过EGFR信号通路形成正反馈环路。传统实验方法如qRT-PCR虽可靠但成本高昂，而现有计算模型存在泛化性不足、算法复杂等问题。

关键技术方法

研究团队提出AMCMDA模型，基于HMDD v2.0数据集（含383种疾病与495个miRNA的5430对已知关联），整合疾病语义相似度（SS₁/SS₂）和miRNA功能相似度（MS），构建异质网络矩阵T。通过截断核范数最小化逼近秩函数，利用ADMM算法分两步迭代求解优化问题，最终获得预测评分矩阵A^*。模型在HMDD v1.0/v3.2数据集上同步验证，参数优化采用网格搜索策略。

研究结果

1. 1.

   模型性能验证

   五折交叉验证（5CV）显示AMCMDA在HMDD v2.0数据集的AUC达0.9118，优于KATZMDA（0.9012）等7种基线模型。局部留一法验证（LOOCV）中，对卵巢癌的预测AUPR达0.3813，验证了模型对新型疾病的预测能力。

2. 2.

   案例研究

   • •

     肺癌预测：基于HMDD v1.0预测的hsa-miR-221/222通过调控线粒体凋亡通路促进肿瘤增殖，排名前50的miRNA验证率达100%。

   • •

     胃癌预测：hsa-miR-21和hsa-miR-155被证实通过调控C/EPBβ和MEK/ERK通路影响化疗敏感性。

   • •

     卵巢癌预测：对无已知关联的卵巢癌样本预测中，hsa-miR-146a-5p通过抑制CCND2/NOTCH2表达验证了模型实用性。

结论与讨论

该研究通过截断核范数正则化实现了稀疏关联矩阵的高效补全，解决了传统核范数对较大奇异值不敏感的问题。模型在三大数据集和30种疾病案例中验证率>85%，尤其对肺癌、胃癌等恶性肿瘤的预测表现突出。未来可结合深度学习进一步提升跨数据集迁移能力，为miRNA靶向治疗提供新思路。研究发表于《Briefings in Bioinformatics》，相关代码已开源。

（注：全文严格依据原文数据，专业术语如ADMM、GIPS等首次出现时均标注英文全称，作者单位"中国人民大学统计学院"等非英文符号保留原格式，矩阵维度R^nd×nm等上下标使用^{/_{标签规范呈现）}}