MuGNet-CMI：一种多头混合图神经网络，用于预测circRNA与miRNA之间的相互作用，同时结合全局高阶信息和局部低阶特征

《Big Data Mining and Analytics》：MuGNet-CMI: Multi-Head Hybrid Graph Neural Network for Predicting circRNA-miRNA Interactions With Global High-Order and Local Low-Order Information

环状RNA（circRNA）通过海绵作用调控miRNA介导的基因表达影响疾病进程，但现有模型难以兼顾全局与局部节点信息。本文提出MuGNet-CMI框架，整合多头混合图神经网络与MetaPath2Vec算法，结合全局高阶和局部低阶特征捕捉机制，有效提升circRNA-miRNA相互作用预测精度。实验验证表明该模型在三个真实数据集上表现优异，为基因调控实验研究提供可靠工具。

　　

摘要：

环状RNA（circRNAs）是一类非编码RNA分子，在调节基因和疾病进展中起着关键作用。circRNAs可以作为microRNA（miRNAs）的“海绵”，从而调控基因表达并影响疾病结果。通过计算方法识别circRNAs与miRNAs之间的关联有助于深入理解复杂的疾病机制，并为实验验证提供可靠的候选对象。然而，现有模型在捕捉全局或局部节点信息方面存在局限性，预测circRNAs与miRNAs之间的相互作用仍然具有挑战性。为有效解决这一问题，我们提出了一种新的预测circRNA-miRNA相互作用（CMIs）的框架，称为MuGNet-CMI，该框架利用多头混合图神经网络以及全局高阶和局部低阶信息。该模型采用MetaPath2Vec算法在circRNA-miRNA异构矩阵中生成高质量的节点嵌入。结合GraphSAGE的多头动态注意力机制能够高效捕捉全局高阶和局部低阶节点信息。此外，我们还将神经聚合器集成到多头动态注意力机制中，以汇总捕获节点的特征信息。使用三个真实数据集进行的验证表明，MuGNet-CMI在预测CMIs方面表现良好，为基因调控的实验研究提供了宝贵的指导。

引言

环状RNA（circRNAs）是一类通过反向剪接事件生成的长链非编码RNA[1]。在这一过程中，下游的剪接供体位点与上游的剪接受体位点共价连接，形成封闭的circRNA分子[2]。circRNAs存在于包括植物、动物和人类在内的多种物种中，在生物体的发育和进程中至关重要[3]、[4]。生物信息学和RNA测序（RNA-Seq）技术的进步揭示了circRNAs在不同发育阶段和生理状态下的动态表达模式[5]。例如，circRNAs可以通过充当miRNA的“海绵”来参与转录后基因调控[6]。这种机制能够隔离特定的miRNAs，阻止它们与其靶mRNAs相互作用，从而抑制其调控功能[7]。miRNAs最初由Victor Ambros和Gary Ruvkun在秀丽隐杆线虫中发现[8]、[9]。后续研究表明，miRNAs在调控细胞过程中起着关键作用，其失调会显著影响癌细胞的恶性表型[10]、[11]。例如，Sun等人[12]发现miR-34a和miR-34b/c通过Notch1通路抑制鳞状细胞癌（SCC）的迁移、增殖和侵袭。由于miRNAs在不同肿瘤类型和亚群中的独特表达谱，以及它们在生物液体中的存在，它们已成为具有显著潜力的敏感生物标志物，有助于提高癌症的分类和预后[13]、[14]。因此，Victor Ambros和Gary Ruvkun因在miRNAs领域的开创性工作获得了诺贝尔生理学或医学奖，进一步验证了miRNAs在癌症诊断和治疗中的潜力。