《Computational Biology and Chemistry》：Multi-view graph neural network with channel attention and learnable view-weight fusion for lncRNA–disease association prediction
编辑推荐：
长链非编码RNA（lncRNA）是一类长度超过200个核苷酸、不编码蛋白质的RNA分子，在染色质重塑、转录调控、RNA剪接、细胞分化、细胞周期调控及凋亡等多种生物学过程中发挥重要作用。近年来的证据表明，lncRNA的突变与失调与多种复杂人类疾病相关，如神经系统
长链非编码RNA（lncRNA）是一类长度超过200个核苷酸、不编码蛋白质的RNA分子，在染色质重塑、转录调控、RNA剪接、细胞分化、细胞周期调控及凋亡等多种生物学过程中发挥重要作用。近年来的证据表明，lncRNA的突变与失调与多种复杂人类疾病相关，如神经系统疾病、心血管疾病、阿尔茨海默病、白血病及多种癌症。此外，特定lncRNA表达水平的变化已被证明可作为肿瘤诊断与预后的生物标志物。因此，识别与复杂人类疾病相关的lncRNA是阐明lncRNA层面疾病机制、促进疾病临床治疗的重要步骤。然而，传统实验方法通常需要大量实验室能力和分析，虽然准确但往往效率低下，且因样本制备、处理和测量涉及多个步骤而耗时且昂贵。因此，近年来提出了计算方法来预测lncRNA与疾病之间的关联（LDA）。计算方法主要分为两类：基于网络的方法和基于学习的方法。
基于网络的方法基于功能相似的lncRNA可能与表型相似的疾病相关的假设，包括全局随机游走模型（GrwLDA）、局部随机游走方法（LRWHLDA）、几何矩阵方法（GMCLDA）、加权图正则化协同矩阵分解（WGRCMF）以及选择性相似性矩阵融合与双向线性邻域标签传播框架（SSMF-BLNP）等。基于学习的方法利用机器学习和深度学习技术，基于lncRNA和疾病的已知特征预测LDA，包括集成多源相似性信息与Rotation Forest分类器的方法（LDASR）、梯度提升方法（LDNFSGB）、增量主成分分析（IPCA）结合随机森林、深度矩阵分解方法（DMFLDA）、深度学习模型（LDA-VGHB）、异质图卷积生成对抗网络（IHGC-GAN）、图Transformer方法（NAGTLDA）、多视图注意力机制结合胶囊网络（CapsNet-LDA）、图对比学习多任务预测方法（GCLMTP）、层次图神经网络方法（HiGLDP）以及端到端深度学习与图神经网络框架等。
然而，大多数现有计算方法未充分利用生物学相互作用的不同视角，可能丢失不同视图特有的拓扑信息。虽然一些多视图学习方法通过基于注意力的整合策略纳入多种生物学视角，但这些方法通常将不同视图聚合为统一表示，未在融合过程中显式建模每个生物学视图的相对贡献。此外，多视图信息可能包含冗余或不一致的信号，需要更有效的特征选择和重新校准。不同生物学视图对LDA预测的贡献可能不均等，这凸显了显式且自适应的视图级平衡机制的必要性。
为解决上述局限性，本研究提出了一种多视图多通道学习框架（MVMCLDA）。首先，分别构建lncRNA和疾病的属性特征；具体而言，lncRNA属性来源于序列相似性和GIP核相似性，而疾病属性来源于基于MeSH的语义相似性和GIP核相似性。其次，基于lncRNA-miRNA-疾病和lncRNA-蛋白质-疾病关联构建两个异质图视图，并使用图注意力网络（GAT）学习各自的节点拓扑表示。随后，将两个GAT的输出合并为通道张量，并采用通道注意力模块有效捕获局部和全局节点信息。最后，使用可学习视图权重对两个视图的特征进行加权融合，融合后的特征与lncRNA和疾病属性特征拼接后输入多层感知机（MLP）进行端到端训练和预测。
本研究的主要贡献如下：提出了用于lncRNA-疾病关联预测的多视图异质图神经网络框架，通过构建互补的lncRNA-miRNA-疾病和lncRNA-蛋白质-疾病图视图，保留多样化的生物学相互作用模式，并通过GAT编码器学习视图特定的拓扑表示；引入通道注意力模块以增强多视图特征整合，通过联合建模局部跨视图交互和全局特征上下文，自适应地重新校准特征表示，减少冗余信息同时强调信息丰富的生物学信号；开发了可学习视图权重融合策略，以自适应地平衡不同生物学视图的贡献，与手动预定义的融合方案不同，该策略将视图权重与关联预测目标联合优化，使MVMCLDA能够自适应地平衡不同生物学视角所贡献的信息。
论文解读文章
一、研究背景与问题
长链非编码RNA（lncRNA）是一类长度超过200个核苷酸、不编码蛋白质的RNA分子，在染色质重塑、转录调控、RNA剪接、细胞分化、细胞周期调控及凋亡等多种生物学过程中发挥关键作用。近年来的研究证据表明，lncRNA的突变与失调与多种复杂人类疾病密切相关，包括神经系统疾病、心血管疾病、阿尔茨海默病、白血病及多种癌症。此外，特定lncRNA表达水平的变化已被证实可作为肿瘤诊断与预后的生物标志物。因此，准确识别与疾病相关的lncRNA对于阐明疾病机制、促进临床诊疗具有重要意义。
然而，传统实验方法虽然准确，但通常需要大量实验室资源，且耗时昂贵、效率低下。为此，研究者近年来提出了多种计算方法用于预测lncRNA-疾病关联（LDA）。这些方法主要分为基于网络的方法和基于学习的方法两大类。基于网络的方法基于功能相似的lncRNA倾向于与表型相似的疾病相关联的假设，包括全局随机游走模型（GrwLDA）、局部随机游走方法（LRWHLDA）、几何矩阵方法（GMCLDA）、加权图正则化协同矩阵分解（WGRCMF）等。基于学习的方法则利用机器学习和深度学习技术，包括LDASR、LDNFSGB、DMFLDA、LDA-VGHB、IHGC-GAN、NAGTLDA、CapsNet-LDA、GCLMTP、HiGLDP等方法。
尽管现有方法取得了一定进展，但仍存在关键局限：大多数方法未充分利用生物学相互作用的不同视角，可能丢失不同视图特有的拓扑信息；部分多视图学习方法虽整合了多种生物学视角，但通常将不同视图聚合为统一表示，未显式建模每个生物学视图在融合过程中的相对贡献；多视图信息可能包含冗余或不一致的信号，需要更有效的特征选择与重新校准机制；不同生物学视图对LDA预测的贡献不均等，亟需显式且自适应的视图级平衡机制。针对上述问题，本研究提出了多视图多通道学习框架（MVMCLDA）。
二、研究内容与结论
本研究提出了一种多视图多通道学习框架MVMCLDA，用于lncRNA-疾病关联预测。该框架通过构建互补的lncRNA-miRNA-疾病和lncRNA-蛋白质-疾病两个异质图视图，利用图注意力网络（GAT）学习视图特定的拓扑表示，并引入通道注意力模块增强多视图特征整合，同时采用可学习视图权重融合策略自适应平衡不同生物学视图的贡献。实验结果表明，MVMCLDA在预测性能上优于现有竞争方法，消融实验和案例研究进一步验证了各模块的有效性。该研究为多视图异质图学习在LDA预测中的应用提供了新思路，具有重要的方法学意义和潜在临床应用价值。
三、关键技术与方法
本研究采用的主要技术方法包括：其一，属性特征构建，对于lncRNA，从NONCODEv6数据库获取序列信息，采用k-mer编码策略（3-mer和4-mer）生成320维序列特征向量，并通过余弦相似性构建序列相似性矩阵，同时结合GIP核相似性；对于疾病，从MeSH数据库获取疾病描述，构建有向无环图（DAG）表示疾病语义关系，计算语义相似性并结合GIP核相似性。其二，多视图异质图构建，基于lncRNADisease数据库（3415个实验验证的LDA，含688个lncRNA和259个疾病）、NPInter数据库（7017个lncRNA-miRNA关联和26658个lncRNA-蛋白质关联）、HMDD v4.0数据库（3161个miRNA-疾病关联）以及CTD数据库（2026个蛋白质-疾病关联），构建两个异质图视图，并采用拓扑约束的负采样策略生成负样本。其三，图注意力网络（GAT）编码器，用于学习各视图节点的拓扑表示。其四，通道注意力模块，通过联合建模局部跨视图交互和全局特征上下文，生成节点和特征特定的重新校准系数。其五，可学习视图权重融合策略，将视图权重与关联预测目标联合优化。最后，多层感知机（MLP）用于端到端训练和预测。
四、研究结果
多视图异质图表示学习。 通过构建lncRNA-miRNA-疾病和lncRNA-蛋白质-疾病两个互补的异质图视图，利用GAT编码器学习各视图特有的节点拓扑表示，有效保留了多样化的生物学相互作用模式。
通道注意力特征增强。 将两个GAT的输出合并为通道张量，通过通道注意力模块联合建模局部跨视图交互和全局特征上下文，生成节点和特征特定的重新校准系数，有效抑制冗余或不一致的信号，同时增强互补信息。
可学习视图权重融合。 采用可学习视图权重融合策略，将视图权重与关联预测目标联合优化，使模型能够自适应地平衡不同生物学视角的贡献，优于手动预定义的融合方案。
预测性能评估。 MVMCLDA在LDA预测任务上优于现有竞争方法，消融实验验证了多视图构建、通道注意力和可学习视图权重融合各模块的有效性，案例研究进一步支持了模型的实用价值。
五、讨论与结论
讨论部分指出，MVMCLDA通过多视图异质图构建保留了不同生物学视角的互补拓扑信息，通道注意力模块有效解决了多视图信息中的冗余和不一致信号问题，可学习视图权重融合策略克服了传统方法中视图贡献不平衡的局限。该框架为LDA预测提供了一种自适应的多视图融合方案。
研究结论表明，MVMCLDA通过整合lncRNA-miRNA-疾病和lncRNA-蛋白质-疾病两个异质图视图，结合通道注意力机制和可学习视图权重融合，在lncRNA-疾病关联预测中取得了优于现有方法的性能。该研究为多视图异质图神经网络在生物医学关联预测领域的应用提供了新的方法论参考，对理解lncRNA在疾病中的作用机制和促进疾病诊断治疗具有潜在价值。
