《International Journal of Molecular Sciences》：Computational Method Using Attribute-Aware Message Passing and Graph Convolutional Network for Potential miRNA–Disease Association Prediction
编辑推荐：
MicroRNA（miRNA）失调是广泛参与多种人类疾病（尤其是癌症）发生和进展的关键致病因素。识别未知的miRNA-疾病关联对于理解疾病发病机制和改进临床治疗策略至关重要。传统的生物学实验通常昂贵且技术受限，因此计算预测已成为广泛使用的辅助研究工具。在本研究
MicroRNA（miRNA）失调是广泛参与多种人类疾病（尤其是癌症）发生和进展的关键致病因素。识别未知的miRNA-疾病关联对于理解疾病发病机制和改进临床治疗策略至关重要。传统的生物学实验通常昂贵且技术受限，因此计算预测已成为广泛使用的辅助研究工具。在本研究中，研究人员开发了一种名为属性感知消息传递图卷积网络（AAMPGCN）的新型预测模型来识别潜在的miRNA-疾病关联。AAMPGCN的优势在于将miRNA和疾病属性信息整合到消息传递过程中：它将整合了miRNA功能相似性、疾病语义相似性和高斯交互核相似性的miRNA-疾病异构图划分为属性同质子图，同时限制高阶消息在每个子图内的传播。该机制有效过滤了跨属性噪声，在深度卷积过程中保持了miRNA和疾病嵌入的可区分性，因此非常适应miRNA-疾病异质网络。AAMPGCN优先考虑miRNA和疾病属性，专门在与miRNA-疾病相互作用相关的具有相似属性特征的节点之间聚合消息。实验结果表明，AAMPGCN模型在HMDD2.0数据集上实现了AUC和AUPR值分别为94.06和93.52，优于现有方法。提出的AAMPGCN为miRNA-疾病关联预测提供了一种新的有效方法，并为疾病分子机制研究和临床治疗靶点筛选提供了理论支持。
**论文解读**
**研究背景与问题**
MicroRNA（miRNA）是一类长度约18–25个核苷酸的内源性非编码RNA分子，在细胞周期进程、分化、凋亡及信号转导等广泛细胞与分子过程中发挥关键调控作用。越来越多的实验证据表明，miRNA表达谱的扰动或功能失调与恶性肿瘤、心血管疾病、神经退行性疾病等多种人类病理状态的发生、进展及临床预后密切相关。识别miRNA与疾病之间的关联对于解析疾病分子机制、开发早期诊断生物标志物和精准医学治疗靶点至关重要。然而，传统实验验证方法（如荧光素酶报告基因检测、PCR和RNA测序）成本高、周期长且劳动密集，难以跟上miRNA和疾病组学数据的指数增长。因此，迫切需要开发高效的计算预测模型来弥补实验验证的不足，并加速潜在miRNA-疾病关联（MDA）的发现。
**研究内容与主要结论**
本研究提出了一个名为属性感知消息传递图卷积网络（AAMPGCN）的新型预测模型，用于识别潜在MDA。该模型将miRNA功能相似性、疾病语义相似性和高斯交互核相似性整合到miRNA-疾病异质图中，并将其划分为属性同质子图，同时限制高阶消息仅在各子图内传播，从而有效过滤跨属性噪声，避免深度卷积中的过平滑问题，保持节点嵌入的可区分性。在HMDD2.0数据集（包含495个miRNA、383种疾病和5430个已知关联）上，经过超参数优化（图卷积层阶数K=3，隐藏层维度128），AAMPGCN在5折交叉验证中取得了AUC 94.06、AUPR 93.52、ACC 87.02、F1-score 87.15、Precision 86.35的优异性能，显著优于HHOMR、MTLMDA、VGAEMDA、GBDT-LR等现有主流模型。在针对前列腺癌、肺癌和胰腺癌的案例研究中，模型预测的前50个候选miRNA均被DBDEMC或Phenomir数据库验证，进一步证实了其生物学有效性和实际应用价值。该论文发表在《International Journal of Molecular Sciences》。
**主要技术方法**
研究采用HMDD2.0数据库作为样本队列来源。关键技术包括：
1. **miRNA功能相似性**：基于MISIM资源，通过余弦相似性计算miRNA功能相似性矩阵（FS）。
2. **疾病语义相似性**：利用医学主题词表（MeSH）构建疾病有向无环图（DAG），计算两种语义贡献模型（SS1和SS2）并融合得到疾病语义相似性。
3. **高斯交互核（GIP）相似性**：基于已知关联矩阵分别计算miRNA和疾病的GIP核相似性。
4. **联合相似性核**：将FS与GIP核结合为miRNA综合相似性（SM），将疾病语义相似性与GIP核结合为疾病综合相似性（SD）。
5. **属性感知消息传递图卷积网络（AAMPGCN）**：通过属性编码器将节点属性降至低维，经K-means聚类将节点划分为K个属性同质子图；仅在子图内进行高阶消息传递（使用对称归一化邻接矩阵），并通过加权融合子图嵌入生成最终节点表示；采用二元交叉熵损失进行链接预测训练。
**研究结果**
**2.1 提出方法的性能**
在HMDD v2.0数据集上采用5折交叉验证，经1000轮训练，学习率0.0006，dropout率0.4。模型获得平均AUC为0.9406，平均AUPR为0.9352，同时ACC为0.8702，F1-score为0.8715，Precision为0.8635。ROC曲线和PR曲线证实了模型在区分正负样本及处理类别不平衡方面的优势。
**2.2 与其他模型的比较**
将AAMPGCN与HHOMR（基于高阶统计和注意力机制）、MTLMDA（跨层压缩与图卷积）、VGAEMDA（变分图自编码器）、GBDT-LR（矩阵分解与标签空间学习）进行比较。AAMPGCN在AUC和AUPR上全面领先，主要归因于其将miRNA和疾病属性信息融入消息传递，划分属性同质子图并限制跨属性噪声，从而避免了过平滑并保持节点嵌入判别力。
**2.3 超参数敏感性分析**
通过网格搜索优化图卷积层阶数K（1–5）和隐藏层特征维度（32、64、128、256）。结果显示：K=3时AUC最高（0.9415），过小（1或2）导致欠拟合，过大（4或5）引入噪声；特征维度128时AUC最高（0.9421），维度32/64表示能力不足，维度256导致过拟合（AUC降至0.8636）。因此确定最优超参数为K=3、隐藏层维度=128。
**2.4 案例研究**
选取前列腺癌、肺癌和胰腺癌三类常见恶性肿瘤作为新疾病测试。将HMDD v2.0中与这些疾病的所有关联置零后，AAMPGCN预测的前48–49个候选miRNA全部被DBDEMC和Phenomir数据库验证。例如，前列腺癌中排名第一的hsa-miR-96b通过抑制FoxO1调控细胞凋亡；肺癌中miR-494异位表达促进肿瘤起始细胞；胰腺癌中血清miR-193b可作为神经内分泌肿瘤潜在标志物。在与基线模型对比中，AAMPGCN在前50预测中验证的关联数最多，进一步证实其优越性。
**总结讨论与结论**
讨论部分指出，AAMPGCN的核心设计（属性同质子图划分与受限消息传递）有效过滤了跨属性噪声，避免了传统图卷积网络的过平滑问题，从而在HMDD2.0数据集上取得优异性能。案例研究证实预测结果具有生物学意义。然而，模型存在以下局限：依赖相似矩阵质量（不完整注释影响稀有miRNA/疾病）、缺乏调控通路建模（如miRNA-基因-疾病网络）、以及转导学习特性（无法泛化到未见节点）。未来工作将整合多组学数据、设计归纳图学习模块（如元学习或对比学习）以及引入通路级注意力机制。
研究结论部分翻译如下：准确预测miRNA-疾病关联（MDA）对于解析复杂疾病分子机制及识别潜在诊断生物标志物和治疗靶点至关重要。本研究提出了AAMPGCN模型用于预测miRNA-疾病关联，旨在提高MDA预测的准确性和可靠性。AAMPGCN的优异性能归因于其核心设计：将miRNA和疾病属性信息整合到消息传递过程，划分属性同质子图并限制高阶消息在子图内传播，有效过滤跨属性噪声，避免过平滑，保持节点嵌入的可区分性。此外，AAMPGCN优先考虑miRNA和疾病属性，专门在与miRNA-疾病相互作用相关的具有相似属性特征的节点之间聚合消息。案例研究进一步证实了预测的MDA具有生物学意义，所有前位预测关联均得到权威数据库或已发表实验文献的支持，验证了模型的实际应用价值。总之，AAMPGCN为MDA预测提供了可靠、高效的计算工具，为疾病发病机制深入研究、生物标志物发现和临床精准医学提供了重要支持。它不仅丰富了MDA预测的方法体系，也为后续miRNA相关研究的实验验证和临床转化奠定了坚实基础。
