基于信息增强与异质性感知学习的环状 RNA-疾病关联预测模型

《Scientific Reports》：Information-enhanced heterogeneity-aware model for circRNA-disease association prediction

　　

摘要

环状RNA（circRNA）在复杂疾病中的作用日益受到重视；然而，由于实验验证成本高昂且已知关联信息稀疏，识别circRNA与疾病之间的关联仍具有挑战性。现有模型通常存在信息不足的问题，且无法有效建模不同数据表示之间的异质性，包括多视图数据的互补语义和结构特征，从而限制了其性能。为解决上述问题，我们提出了IHCDA——一种用于circRNA-疾病关联预测的信息增强与异质性感知学习模型。与简单地组合多种技术的现有模型不同，IHCDA通过引入辅助关系结构，结合结构关系知识来增强稀疏的相似性信息，并将其无缝集成到表示学习过程中。此外，通过视图特定的注意力机制自适应地建模异质多视图表示，并设计了一种半监督对比学习策略，在增强后的表示上联合优化视图内和跨视图关系。大量实验结果表明，IHCDA在circRNA-疾病关联预测中取得了具有竞争力的性能。案例研究进一步验证了其在识别潜在关联方面的有效性、可靠性和稳定性。