基于HyperGCN中的余弦退火与多头自注意力机制的miRNA-疾病关联预测

《IEEE Journal of Biomedical and Health Informatics》：MiRNA-Disease Association Prediction via Cosine Annealing and Multi-Head Self-Attention in HyperGCN

　　

摘要：

生物学研究表明，了解miRNA与疾病之间的关联对于疾病的预防、评估和治疗至关重要。然而，传统用于推断这些关联的实验方法不仅成本高昂，效率也很低。因此，迫切需要开发新的方法来提高预测的准确性和效率。目前，图卷积网络（GCNs）是预测疾病关联的主流方法之一。不过，传统的GCNs在处理长距离依赖关系时存在梯度消失和梯度爆炸的问题。为了解决这些问题，我们提出了一种名为HGCMMDA的新方法，该方法基于HyperGCN，并结合了余弦退火算法和多头自注意力机制。在HGCMMDA中，首先构建miRNA与疾病的相似性网络，再利用GCN进行特征提取。随后通过HyperGCN构建异质超图以改善信息传播效果。多头自注意力机制能够捕捉多种节点关系，而余弦退火则用于调整学习率。组合型的BCE-Dice损失函数则确保预测的准确性。为了评估该方法的有效性，我们使用了人类微RNA疾病数据库（HMDD v3.2）进行了大量实验。该方法的接收者操作特征曲线下面积峰值达到了0.9515，在其他评估指标上也表现优异。实验结果表明，HGCMMDA相比以往的方法有了显著提升。这些结果充分证明了HGCMMDA是一种可靠且有效的框架，可用于深入探究微RNA与人类疾病之间复杂的关联关系。

I. 引言

微RNA是一种长度约为22个核苷酸的非编码RNA分子。它们通过与信使RNA相互作用来调控基因表达，从而抑制翻译或促进基因降解[1]。随着微RNA表达微阵列、定量定位以及其他实验技术的广泛应用，微RNA在复杂人类疾病发展中的作用逐渐被揭示出来[2]、[3]。虽然非编码RNA不直接参与蛋白质合成，但它们在胚胎发育、干细胞维持、细胞分化、新陈代谢、信号传导、免疫反应、神经生长、应激反应、衰老以及几乎所有的生理或病理过程中都发挥着调节作用[4]、[5]、[6]。此外，许多复杂的人类疾病，如神经系统疾病、恶性肿瘤和心血管疾病，都与非编码RNA的功能紊乱密切相关[7]、[8]、[9]。因此，准确识别微RNA与疾病之间的关联对于理解疾病机制以及改进诊断和治疗方法具有重要意义。然而，传统的生物学实验既耗时又昂贵。作为高效的替代方案，计算预测方法越来越受到重视。这类方法大致可分为两类：基于相似性的模型和基于机器学习的模型。这两种方法在发现潜在的微RNA与疾病关联方面都展现出了巨大的效用。