利用序列编码及稀疏学习的药物-miRNA关联预测

摘要

微小RNA(miRNA)在许多人类复杂疾病的发生和发展中起着重要的作用，并被广泛认为是未来治疗疾病的有效药物靶点.然而，现有计算模型主要以基于生物学信息的药物(miRNA)间相似度进行学习，缺少其对应的序列特征；此外，目前的miRNA与药物的关联数据存在显著的稀疏性和噪声问题，进一步限制了预测模型的性能.针对上述问题，本文提出了一种基于序列特征编码和稀疏学习的药物-miRNA关联预测模型SESL.该模型通过深度学习编码器生成序列相似性矩阵，并利用稀疏学习方法对关联矩阵进行优化，最终结合有界核范数正则化实现关联预测.实验结果显示SESL在多种情况下优于现有方法，同时在数据更加稀疏的情况下仍保持较高的性能.

关键词

药物 / 微小RNA / 关联预测 / 深度自编码器 / 稀疏学习

基金资助

黑龙江省自然科学基金联合引导项目(LH2024F001)资助; 国家自然科学基金面上项目(62271132)资助