Bioinfo & IA
RGCNMDA: pathway-bridged relational graph learning with adaptive multi-view fusion for human miRNA-disease association prediction
Résumé
Ce travail présente RGCNMDA, un nouveau cadre d’apprentissage multi-vue pour la prédiction des associations microARN-maladie, abordant les défis des données éparses et des entités "cold-start". Le modèle intègre des structures latentes globales, des profils locaux, des similarités et un contexte de voie biologique via un graphe relationnel. Il utilise un réseau de convolution sur graphe pour le passage de messages et une fusion adaptative des représentations. RGCNMDA a démontré des performances robustes sur les benchmarks HMDD v4.0 et RNADisease v4.0, avec des AUC élevées, particulièrement dans les scénarios "cold-start". L’étude souligne l’importance du contexte des voies biologiques, notamment pour les maladies peu caractérisées.
Analyse critique
RGCNMDA représente une avancée significative dans la prédiction des associations microARN-maladie en proposant une architecture de graphe relationnel avec fusion multi-vue adaptative. L’approche est novatrice par son intégration rigoureuse du contexte des voies biologiques et par sa gestion contrôlée des fuites de données, un problème courant dans ce type de modélisation. Le modèle a été benchmarké de manière exhaustive sur des jeux de données établis (HMDD v4.0, RNADisease v4.0) et a démontré des performances supérieures aux méthodes de base, en particulier dans les scénarios "cold-start" (nouvelles maladies ou nouveaux microARN), ce qui est crucial pour la découverte de biomarqueurs. Le code est disponible sur GitHub, ce qui favorise la reproductibilité et l’adoption par la communauté. Si déployé cliniquement, un tel outil pourrait prioriser des paires microARN-maladie pour des études expérimentales, accélérant la découverte de biomarqueurs diagnostiques ou pronostiques, et potentiellement guider des thérapies ciblées en identifiant des microARN dérégulés pertinents pour des pathologies complexes.
Le résumé et l’analyse ont été rédigés par un modèle de langage à partir du titre et du résumé de l’article original. Un curateur a décidé de sa publication. Méthodologie