摘要: 越来越多的研究表明，miRNA的异常表达与人类复杂疾病相关。预测miRNA-疾病的关联对于疾病的诊断、预防和治疗具有重要意义。早期的生物实验方法耗时且昂贵，随着计算机技术的发展，构建高效、准确的miRNA与疾病关联预测模型逐渐成为研究的热点。 ... 展开 越来越多的研究表明，miRNA的异常表达与人类复杂疾病相关。预测miRNA-疾病的关联对于疾病的诊断、预防和治疗具有重要意义。早期的生物实验方法耗时且昂贵，随着计算机技术的发展，构建高效、准确的miRNA与疾病关联预测模型逐渐成为研究的热点。 本文基于异构图和图神经网络的方法，对miRNA与疾病的关联预测算法进行研究，主要工作内容如下： （1）传统的图卷积网络只关注节点的一阶邻居，尽管可以通过多层堆叠来扩大感受野，但深层的图卷积往往会出现过平滑问题。为此，本文提出了一种基于个性化PageRank和图卷积网络预测miRNA与疾病关联模型，简称PRGCNMDA。模型通过构造miRNA-疾病异构网络，引入改进的个性化PageRank方法对每个根节点的局部邻域进行评分编码，并使用传送概率保留局部性。模型通过改进的图卷积网络获取中心节点更大的邻域，从而聚合更加丰富的节点特征。同时有效解决了深层网络的过平滑问题。PRGCNMDA在HMDDv2.0数据集中使用五折交叉验证的AUC值为93.24%。 （2）原始的图注意力网络使用注意力机制聚合相邻节点的特征信息来计算不同的节点的权重。由于图注意力网络关注其所有的邻居节点，这会消耗大量的计算资源，且并非所有相邻节点都与中心节点具有高相关性，聚合这些低相关性的邻居特征可能削弱中心节点的权重。为了解决这些问题，本文提出了一种基于邻居选择图注意力网络的miRNA与疾病关联预测模型，简称：NSAMDA。模型使用改进的邻居选择机制来选择中心节点的k个最重要的邻居节点，然后将其与图注意力网络相结合，以获得miRNA和疾病节点的嵌入。五折交叉验证结果表明，NSAMDA在HMDDv2.0数据集中获得了93.69%的AUC值。 （3）PRGCNMDA方法和NSAMDA方法都侧重于聚合局部特征，这往往会忽略异构图中的全局信息。为此，本文提出了一个新的基于深度自适应传播神经网络的miRNA与疾病关联预测模型，ADPMDA。模型堆叠k个传播层的嵌入向量来获得节点的全局特征，并引入一个可训练的投影向量来衡量每个传播层的权重，从而自适应地调节深度传播的网络嵌入。ADPMDA可以有效且自适应地聚合节点的局部和全局信息，并在HMDDv3.0数据集中获得了94.75%的AUC值。 收起