SPGA：基于图表示学习与注意力融合的疾病相关snoRNA预测优化方法

《BMC Bioinformatics》：SPGA: graph representation learning and attention fusion for enhanced disease-associated snoRNA prediction

　　

摘要

背景

小核仁RNA（snoRNAs）在人类疾病中的作用越来越受到重视。准确且可靠地预测与疾病相关的snoRNAs对于加速药物发现和疾病治疗至关重要。然而，该领域生物医学数据的匮乏严重制约了机器学习模型的泛化能力。尽管现有的计算方法已取得一定进展，但其性能往往受数据不足的限制。

结果

为克服这些限制，我们提出了SPGA，这是一种全新的图表示学习框架，旨在提升snoRNA与疾病关联的预测能力。SPGA利用snoRNAs和疾病的内在结构特征来构建具有交互意识的图表示，再结合残差图卷积网络以及分层注意力机制，学习出用于关联预测的强大节点嵌入。大量实验表明，SPGA有效解决了模型泛化过程中的数据不足问题，并在预测精度方面显著提升了现有最佳方法的性能，在五折交叉验证条件下，其AUC值为0.9812，AUPR值为0.9749。案例研究进一步证明了其在识别新的snoRNA与疾病关联方面的有效性。

结论

我们的研究提供了一种强大的计算工具，可用于筛选潜在的与疾病相关的snoRNAs，从而有助于发现潜在的诊断生物标志物和治疗靶点。