.png){kind=icon}
返回
A Dynamic Multi-Scale Hypergraph Learning Framework Driven by Features and Structures for ceRNA-Disease Association Prediction
.png){kind=icon}
PRE
AI
DOI：10.1109/JBHI.2025.3602670.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
竞争性内源RNA（ceRNA）网络对于揭示疾病分子机制至关重要。图表示学习是建模生物调控网络和预测疾病相关生物标志物的基石。然而，当前方法面临挑战：传统的图神经网络（GNN）依赖低阶图结构，难以捕捉高阶分子相互作用，导致拓扑信息丢失；浅层GNN无法建模长距离依赖关系，而深层架构存在过平滑问题，限制了复杂调控表达；静态嵌入忽视了动态分子相互作用，降低了生物标志物的准确性。这些局限性凸显了先进图学习框架的必要性。为解决这些挑战，我们提出了DMHLF，一种动态多尺度超图学习框架，用于预测疾病相关ceRNA生物标志物。该框架首先整合miRNAs、lncRNAs、circRNAs、mRNAs及疾病间的多种调控关系，构建疾病特异性ceRNA调控网络，通过多跳超边捕捉局部和全局调控模式。随后，我们设计了一种超图加权动态随机游走（HEDRW）方法，动态提取编码高阶调控信息的节点元嵌入。同时，我们将Eigen-GNN谱分析扩展至超图结构，引入残差增强超图神经网络以保留浅层超图的全局拓扑属性。最后，跨尺度注意力机制对齐并融合多尺度特征，生成高质量节点嵌入，用于疾病-ceRNA关联预测。在多样化数据集上的实验表明，DMHLF显著优于现有方法。案例研究进一步验证了该框架在识别疾病相关ceRNA生物标志物方面的有效性，为生物医学研究提供了可靠的预测工具。
Keyword:
MiRNA-disease association
circRNA-disease association
lncRNA-disease association
biomarker discovery
graph neural network
期刊
IF:
6.8
论文数:
4.6K
被引数:
2.0W
机构
引用论文
KS-CMI: A circRNA-miRNA interaction prediction method based on the signed graph neural network and denoising autoencoder.png)
iScience
OAAI
iScienceIF0
OAAI分享收藏分享收藏
查看更多内容