Dual-Channel Learning Framework for miRNA-Drug Interaction Prediction Based on Structural Features and Signed Bipartite Graph Neural Network
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
MicroRNAs (miRNAs) play a vital role in regulating a wide range of biological functions and are key players in the development of many complex human diseases, making them novel therapeutic targets for drug development. Given the high expenses and time demands of traditional experimental methods, it is essential to develop efficient computational approaches for predicting miRNA-drug interactions (MDIs). This article presents a dual-channel learning framework, SSMDI, based on structural features and Signed Bipartite Graph Neural Network (SBGNN) for predicting MDIs. Firstly, Graph Isomorphism Networks (GIN) is employed to extract molecular graph features of drugs. Meanwhile, a combined framework of Convolutional Neural Network (CNN), Bidirectional Long Short-Term Memory (BiLSTM) network and Self-attention Mechanism is utilized to capture sequence features of miRNAs. Compared with traditional networks, signed networks can deliver richer semantic information in drugs and miRNAs. Therefore, SBGNN is then used to aggregate and update the signed topological features of miRNAs and drugs. Finally, structural and signed topological features are integrated to predict MDIs. The predictive performance of the model is evaluated using 5-fold cross-validation (CV), achieving AUC of 0.9447 and AUPR of 0.9238. The case study further demonstrates the effectiveness of SSMDI in predicting MDIs. In summary, the SSMDI model proves to be an accurate tool for predicting MDIs, which holds significant implications for drug development and miRNA-based therapeutic research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle