摘要: microRNA（miRNA）是一类非编码RNA，它们在细胞内起到基因调控的作用。实验证明，miRNA的异常表达会导致各类复杂疾病的发生。因此，研究miRNA与疾病的关联预测对于生物医学的发展具有重要意义。然而，传统生物实验具有实验成本高、实验周期长、实验... 展开 microRNA（miRNA）是一类非编码RNA，它们在细胞内起到基因调控的作用。实验证明，miRNA的异常表达会导致各类复杂疾病的发生。因此，研究miRNA与疾病的关联预测对于生物医学的发展具有重要意义。然而，传统生物实验具有实验成本高、实验周期长、实验效率低等瓶颈。为了进一步提高研究效率，研究者们早期用基于相似性的方法对miRNA与疾病进行关联预测，并取得了良好的效果。近些年来机器学习和深度学习技术的发展也为研究者们提供了新的思路，但大多数现有方法仅仅关注miRNA和疾病节点的直接邻居节点特征，而难以捕获高阶邻域节点特征。本文基于深度学习中的图卷积神经网络理论，分别从聚类和分类两个维度对miRNA和疾病的关联展开研究。 提出了一种结构化深度聚类网络模型（SDCNMDA）来预测miRNA和疾病的关联。SDCNMDA将miRNA和疾病的结构信息整合到深度聚类中，旨在通过聚类方法来实现分类问题。具体来说，模型将miRNA和疾病的集成相似性投入自编码器，再将自编码器中获得的新的特征通过传递算子传递到图卷积层，同时利用双重监督机制对模型进行监督训练，在HMDDv2.0和HMDDv3.0数据集上，模型SDCNMDA在五折交叉验证策略下的平均AUC分别为93.23%和94.58%。为了进一步评估模型性能，SDCNMDA在乳腺肿瘤、肺部肿瘤和淋巴肿瘤三种疾病上开展案例研究。实验证明，对于乳腺肿瘤、肺部肿瘤和淋巴肿瘤相关的miRNA中前50个miRNA中分别有48、46和46个miRNA被dbDEMC或miR2Disease数据库疾病验证。 提出了一种基于高阶图卷积网络模型（MIXHOPMDA），通过混合高阶邻居节点信息预测miRNA和疾病的关联。首先，模型构建了miRNA和疾病的异质二分图，并确保miRNA和疾病的特征向量投影到同一维向量空间中。其次，将Delta算子应用到图卷积网络，对邻接矩阵的不同幂进行运算，从而学习到高阶邻居节点的内在节点特征。接着，将得到的特征矩阵通过全连接层来构建得分矩阵。最后依据得分情况来判断miRNA与疾病之间的关联的概率。在HMDDv2.0和HMDDv3.0数据集上，模型MIXHOPMDA在五折交叉验证策略下的平均AUC分别为93.36%和94.63%。MIXHOPMDA在食道肿瘤、结肠肿瘤和淋巴肿瘤上三种疾病上进行案例研究。研究表明，对于食道肿瘤、结肠肿瘤和淋巴肿瘤相关的miRNA中前50个miRNA分别有47、47和48个miRNA被dbDEMC或miR2Disease数据库疾病验证。 收起