hexo-generator/source/_posts/Multi-view Multichannel Attention Graph Convolutional Network for miRNA–disease association prediction.md

title	date	updated	tags	categories	keywords	description	top_img	comments	cover	toc	toc_number	toc_style_simple	copyright	copyright_author	copyright_author_href	copyright_url	copyright_info	katex	highlight_shrink	aside
Multi-view Multichannel Attention Graph Convolutional Network for miRNA–disease association prediction	2020-09-05 15:04:58	2020-11-16 14:15:53	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	<nil>	true	<nil>	<nil>

用于miRNA-疾病关联预测的多视角多通道注意图卷积网络

Xinru Tang, Jiawei Luo, Cong Shen and Zihan Lai Corresponding author: Jiawei Luo, College of Computer Science and Electronic Engineering, Hunan University, Changsha 410083, China. E-mail: luojiawei@hnu.edu.cn

摘要

动机：近年来，越来越多的研究证明，微小RNA（miRNAs）在人类复杂疾病的发展中起着重要作用。发现miRNA与疾病之间的关联已成为发现和治疗疾病的重要组成部分。由于通过传统的实验方法发现关联既复杂又耗时，人们提出了许多计算方法来识别潜在的关联。然而，利用多源数据准确确定miRNA与疾病之间的潜在关联仍然存在挑战。 结果：在这项研究中，我们开发了一个多视角多通道注意图卷积网络（MMGCN）来预测潜在的miRNA与疾病的关联。与简单的多源信息集成不同，MMGCN使用GCN编码器分别在不同的相似性视图中获取miRNA和疾病的特征。此外，我们的MMGCN可以利用多通道注意，自适应地学习不同特征的重要性，从而增强用于关联预测的学习潜在表示。在两个数据集上的实证结果表明，与九种最先进的方法相比，MMGCN模型在大多数指标上都能获得更好的性能。此外，我们还证明了多通道注意机制的有效性以及多源数据在miRNA和疾病关联预测中的有效性。案例研究也表明了该方法发现新关联的能力。

关键词：miRNA——疾病关联；多视图；图卷积网络；深度学习