.png){kind=icon}
返回
MMnc: multi-modal interpretable representation for non-coding RNA classification and class annotation
.png){kind=icon}
OA
AI
DOI：10.1093/bioinformatics/btaf051.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动机 随着非编码RNA的生物学作用和疾病意义不断显现，对先前未探索的非编码RNA进行全面表征的需求日益迫切。这些分子具有作为生物标志物和潜在治疗靶点的潜力。然而，非编码RNA数据的巨大和复杂性带来了挑战。我们介绍了MMnc，一种可解释的深度学习方法，旨在将非编码RNA分类为功能组。MMnc利用多种数据来源（如序列、二级结构和表达），采用基于注意力的多模态数据整合。这确保了有意义表示的学习，同时考虑了部分样本中数据来源缺失的情况。结果 我们的发现表明，MMnc在各类非编码RNA上均实现了高分类精度。该方法的模块化架构允许考虑多种类型的模态，而其他工具最多仅考虑一或两种。MMnc对缺失数据具有鲁棒性，确保所有可用信息得到有效利用。重要的是，生成的注意力分数提供了对各类非编码RNA潜在模式的可解释见解，可能推动未来非编码RNA的研究和应用。可用性与实现 数据和源代码可在EvryRNA.ibisc.univ-evry.fr/EvryRNA/MMnc找到。
