RGCNMDA：基于路径连接的关系图学习方法，结合自适应多视图融合技术，用于预测人类miRNA与疾病之间的关联

《Bioinformatics》：RGCNMDA: Pathway-Bridged Relational Graph Learning with Adaptive Multi-View Fusion for Human miRNA–Disease Association Prediction

　　

摘要

动机

微小RNA（microRNAs，miRNAs）是关键的转录后调控因子，其失调与复杂的人类疾病密切相关。计算预测可以优先识别miRNA与疾病之间的关联候选项，但由于标签稀疏、初始数据缺乏（cold-start entities）、双向图中的生物学背景有限，以及在数据分割之前构建关联特征时可能出现的信息泄露（leakage），可靠的评估变得复杂。

结果

我们提出了RGCNMDA，这是一个受控制的信息泄露（leakage-controlled）的多视图框架，它整合了全局潜在结构、局部特征和相似性以及通路背景。在每个数据折叠（fold）中，交互谱（interaction profiles）、基因-蛋白质相互作用（GIP）相似性、主成分分析（PCA）输入、MDMF因子以及miRNA与疾病之间的图关系都是完全基于训练数据重建的。四个独立的因子化编码器（factorized encoders）处理miRNA与疾病之间的交互谱和GIP相似性，而一个折叠局部的MDMF分支则捕捉全局潜在结构。这些表示形式与一个包含miRNA、疾病和通路的图相结合，这些节点通过六种有向关系类型相互连接。一个关系图卷积网络（relational graph convolutional network）执行特定类型和方向的信息传递，节点级的门（node-wise gates）在MLP对解码器评分候选关联之前，自适应地融合图结构、MDMF结果以及综合的谱和相似性表示。在HMDD v4.0基准测试中，RGCNMDA在随机评估、冷启动疾病（cold-disease）评估和冷启动miRNA评估下的AUC分别为0.9589、0.9109和0.8836；在处理过的独立来源RNADisease v4.0基准测试中，相应的数值分别为0.9580、0.8446和0.8913。相同协议的基线比较和诊断分析表明，RGCNMDA的优势取决于评估环境，在冷启动疾病评估中与通路相关的改进最为显著。这些结果支持了受控制的信息泄露多视图学习在标准评估和初始数据缺乏评估环境中的鲁棒性。

可用性和实现

https://github.com/hnuchao/pathway-RGCNMDA