自适应动态训练异构图注意力神经网络在microRNA-疾病关联预测与分析框架中的应用

《Engineering Applications of Artificial Intelligence》:Adaptive dynamic training heterogeneous graph attention neural network for microRNA-disease association prediction and analysis framework

【字体: 大 中 小 】 时间:2026年04月12日 来源:Engineering Applications of Artificial Intelligence 8

编辑推荐:

  微RNA-疾病关联预测模型ADHGMDA通过构建双层数据异构图并引入虚拟节点解决数据稀疏性,结合动态特征学习机制和梯度冲突优化的多任务策略有效缓解过平滑问题,在最新数据集上显著优于7种SOTA方法。

  
刘银波|文思健|吴琦|易月|王永梅|朱小蕾
安徽农业大学信息与人工智能学院,中国安徽合肥,230036

摘要

准确预测微小RNA-疾病关联(MDAs)对于识别复杂疾病中的生物标志物和治疗靶点至关重要。然而,实验验证成本高昂,现有的计算方法,特别是图神经网络(GNNs),受到数据稀疏性的限制。在这些稀疏图中,缺乏拓扑连接阻碍了有效的信息传递,导致孤立节点的性能不佳,特别是在冷启动场景中。为了解决这些挑战,我们提出了自适应动态异构图注意力神经网络(ADHGMDA),一个用于MDAs预测和分析的框架。首先,为了解决连接性问题,我们通过K均值聚类构建了一个增强有虚拟节点的双层异构图。这些虚拟节点充当语义桥梁,将孤立的微小RNA和疾病整合到网络中。其次,我们引入了一种动态特征学习机制,在训练过程中模拟数据稀疏性,迫使模型学习出强大的表示能力以应对冷启动预测。第三,为了解决深度GNN中常见的过度平滑问题,我们设计了一种具有动态权重适应性的梯度冲突感知多任务优化策略。此外,针对现有基准测试依赖于过时数据的问题,我们基于最新数据库重建了一个基准数据集,并集成了可视化工具。实验结果表明,ADHGMDA显著优于七种最先进的方法,接收者操作特征曲线下面积得分分别为0.9698和0.9730。在单纯疱疹和间质性肾炎的案例研究中,该模型在揭示潜在的致病途径方面表现出色。同时,广泛的验证实验确认了其对标签噪声、类别不平衡和孤立节点的冷启动问题的良好鲁棒性。

引言

微小RNA(miRNAs)是一类非编码RNA分子,长度通常在18到25个核苷酸之间。它们通过互补碱基配对与目标信使RNA(mRNAs)结合来调节基因表达,因此在细胞发育、分化、增殖和应激反应等关键生物过程中发挥重要作用(Bartel, 2004; Kim和Croce, 2023)。近年来,越来越多的证据表明,miRNAs的异常表达与多种疾病的发病和进展密切相关,包括结直肠癌、乳腺癌和心血管疾病。因此,它们作为生物标志物和治疗靶点的临床潜力已成为生物医学研究的主要焦点(Metcalf, 2024)。迄今为止,已在人类基因组中鉴定出超过2000种miRNAs,其中约50%与肿瘤发生有关。然而,经过实验验证的miRNA-疾病关联(MDAs)仅占潜在相互作用总数的很小一部分(Kozomara等人,2019)。
尽管传统的生物实验,如Northern Blotting、定量逆转录PCR(qRT-PCR)和Luciferase Reporter Assays被认为是“黄金标准”,具有极高的准确性和特异性(通常被视为真实值),但它们受到低通量和高成本的严重限制。例如,使用Luciferase Reporter Assays验证单个miRNA-疾病关联对,从载体构建到活性测试,是一个劳动密集型过程,通常需要数周时间,而涉及动物模型的完整验证周期可能延长至六个月以上,并花费数万美元(B. Liu等人,2021)。随着HMDD和miRbase等数据库的发展(Cui等人,2024;Kozomara等人,2019),计算方法已成为MDA预测不可或缺的工具。通过揭示多源数据集中的潜在模式,这些方法显著减少了实验筛选的随机性和低效率。
目前,计算策略大致分为传统机器学习技术和深度学习方法,两者都在预测MDA方面取得了显著进展。尽管现有方法,特别是基于图神经网络(GNN)的模型取得了进展,但仍存在一些局限性(Sun等人,2022;W. Wang等人,2022)。首先,使用单一聚合器往往无法捕捉生物网络中的结构多样性,不适合冷启动场景和孤立节点的预测(C. Chen等人,2025;Corso等人,2020),而深度网络和复杂的图配置容易导致过度平滑,特别是在miRNA-疾病图中,从而降低特征的可区分性(J. Li等人,2020)。此外,MDA数据的固有稀疏性进一步增加了模型过拟合的风险(Huang等人,2021)。
为了解决这些挑战,我们提出了ADHGMDA,一种自适应动态异构图注意力网络,用于整合多源信息进行MDA预测。图1展示了该模型的整体架构。本工作的核心贡献如下:
  • (1)
    我们构建了一个包含miRNAs、疾病和通过K均值聚类及肘部方法(Zhang等人,2020)派生的虚拟节点的双层异构图,以增强稀疏连接节点的聚合路径。与依赖现有拓扑连接的标准GCNs和GATs不同,我们的虚拟节点充当语义桥梁,即使在没有物理连接的情况下也能促进信息流动,从而帮助孤立节点融入网络。
  • (2)
    我们开发了一种动态特征学习机制,增强了新miRNAs或疾病的冷启动能力。虽然像PNAGMDA这样的方法通过静态统计矩(PNA)改进了聚合,但它们仍受限于静态性质。相比之下,我们的方法在训练期间采用随机掩码的邻域加权聚合,迫使模型从部分邻域重建特征,有效模拟数据稀疏性,并显著提高了模型处理噪声和泛化到未见生物实体的能力——这是静态聚合器所缺乏的。
  • (3)
    我们引入了神经协同过滤(NCF)解码器来替代传统的线性或乘法解码器。它结合了两种方法的优势,能够同时捕捉线性和非线性相关性(X. He等人,2017)。
  • (4)
    基于信息瓶颈理论(J. Wang等人,2021),我们引入了一种与梯度冲突感知多任务优化框架相结合的动态权重适应机制。这种架构解决了深度GCNs中常见的过度平滑问题,其中节点特征变得难以区分,结合残差连接,动态平衡了关联预测和特征正则化目标。这确保了即使在更深的网络层中也能保持特征区分性,有效缓解了梯度引起的过度平滑。
  • 此外,我们没有依赖过时的数据集(如HMDD v2.0和v3.2),而是基于最新的HMDD v4.0和miRBase数据库(Cui等人,2024;Kozomara等人,2019)重建了我们的基准数据集,提高了临床相关性和适用性。

    相关工作

    在本节中,我们回顾了用于MDA预测的计算方法的发展,从传统机器学习技术到最近的深度学习和基于图的方法。
    传统机器学习技术严重依赖于手工特征工程来构建预测模型。Xu等人(2011)使用支持向量机(SVM)构建了一个失调的miRNA-目标相互作用网络,用于分类前列腺癌相关的miRNAs,但该模型的局限性...

    基准数据集

    这些数据集使用了来自HMDD v4.0(Cui等人,2024)的实验验证的miRNA-疾病关联数据、来自miRBase(Kozomara等人,2019)的成熟miRNA序列以及来自MeSH数据库(Dhammi & Kumar,2014)的疾病语义注释。具体来说,它们包含:(i) 一个二进制的miRNA-疾病关联矩阵 其中 A∈Rnm×nd 表示第i个miRNA与第j个疾病之间的确认关联(nm 和 nm 表示miRNAs的总数和

    与当前最先进(SOTA)方法的性能比较

    为了验证所提出模型的优越性,我们选择了miRNA-疾病关联预测领域的最先进方法作为基准,包括PNAGMDA(C. Chen等人,2025)、CoupleMDA(Li等人,2025)、TriFusion(Long等人,2024)、EKRRSMMA(C.-C. Wang等人,2022)、MLPMDA(Guo等人,2021)、HGCLAMIR(Ouyang等人,2024)和MotifMDA(B.-W. Zhao等人,2024)。所有比较实验均在统一条件下使用HMDDv4.0和miRBase数据集进行。

    结论

    为了解决微小RNA(miRNA)-疾病关联(MDA)预测中的核心挑战,包括由于新关联的稀疏性导致的节点连接不足、在稀疏异构网络中捕捉拓扑关系的困难、冷启动场景下的性能有限以及模型过度平滑问题,本研究提出了自适应动态异构图注意力网络(ADHGMDA),为MDA预测提供了一种创新解决方案。
    ADHGMDA的核心优势...

    CRediT作者贡献声明

    刘银波:撰写——原始草稿、验证、软件、方法论、形式分析、概念化。文思健:撰写——原始草稿、形式分析、数据管理。吴琦:资源、调查。易月:撰写——审稿与编辑、监督。王永梅:撰写——审稿与编辑、监督。朱小蕾:撰写——审稿与编辑、监督、数据管理。

    数据和材料的可用性

    资助

    本工作得到了安徽省青年皖江学者计划和安徽省教育厅研究计划(2023AH050998)以及安徽省健康和 Wellness研究重点项目“中药七术方结合AI智能监测饮食和运动治疗非酒精性脂肪性肝炎的临床疗效研究”(项目编号:AHWJ2023A10035)的支持。

    利益冲突声明

    作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

    致谢

    我们衷心感谢安徽省青年皖江学者计划和安徽省教育厅研究计划(2023AH050998)的慷慨支持。我们也感谢安徽省健康和 Wellness研究重点项目“中药七术方结合AI智能监测饮食和运动治疗非酒精性脂肪性肝炎的临床疗效研究”(项目编号:
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号