神经诱导图卷积网络：miRNA-疾病关联预测的新方法

本文是一篇发表于2022年的研究论文，标题为"Neural Inductive Matrix Completion with Graph Convolutional Networks for miRNA-disease Association Prediction"，并收录于Bioinformatics杂志。该研究的动机在于快速预测miRNA（微小RNA）与疾病之间的关联，因为生物实验检测这种关联耗时且成本高。当前，计算机方法被广泛视为识别miRNA与疾病潜在关联的有效补充手段。 研究者们提出了一种新颖的方法——神经归纳矩阵完成与图卷积网络（Neural Inductive Matrix Completion with Graph Convolutional Networks, NIMCGCN），用于增强miRNA-disease关联的预测能力。NIMCGCN的核心原理是利用图卷积网络（GCNs）来学习miRNA和疾病之间的复杂关系。图卷积网络在生物信息学中应用广泛，因为它能够捕捉节点（miRNA和疾病）间的局部结构特征，并通过多层信息传递来整合全局信息。 论文的流程包括首先构建一个包含miRNA和疾病节点的图谱，其中边代表它们之间的相互作用或相似性。然后，NIMCGCN运用GCN进行特征提取，通过迭代更新节点的表示，以捕获其在图中的深层语义。这种方法允许模型在无监督或半监督的情况下学习到潜在的miRNA-disease关联模式，而无需大量的标注数据。 作者团队——来自云南大学软件学院的研究者们，包括Jin Li、Sai Zhang、Tao Liu、Chenxi Ning、Zhuoxuan Zhang和Wei Zhou——通过实验验证了NIMCGCN在预测准确性和效率上的优势，相比于传统的矩阵填充方法，NIMCGCN在miRNA-disease关联预测任务上取得了显著的性能提升。此外，文章还提到了接收日期、修订日期和接受日期，以及对应的联系人信息和审稿人姓名，这些都是论文发表过程中的关键细节。 这篇研究为miRNA-disease关联预测领域提供了创新的机器学习框架，有助于生物医学研究者更有效地预测潜在的疾病相关miRNA，从而推动个性化医疗和疾病预防的发展。