HiGLDP：一种分层图神经网络，通过多组学整合预测长链非编码RNA（lncRNA）与疾病之间的关联

《BMC Biology》：HiGLDP: a hierarchical graph neural network for predicting lncRNA-disease associations through multi-omic integration

长非编码RNA（lncRNA）疾病关联预测框架HiGLDP整合多组学数据与混合图神经网络（GCN+GAT），通过构建基因组、转录组、蛋白质组相似性网络并优化（RWR+DAE），建立关联特征图，实现lncRNA-疾病关系的高效预测，验证其预测性能优于现有方法并发现新关联。

　　

摘要

背景

长链非编码RNA（lncRNA）在复杂人类疾病的发病机制中已成为关键的调控因子。尽管取得了显著进展，但由于非编码转录组的庞大规模以及lncRNA相互作用网络的复杂性，识别与疾病相关的lncRNA仍然具有挑战性。

结果

我们提出了HiGLDP，这是一个通过整合多组学数据和先进的图神经网络技术来预测lncRNA与疾病关联的计算框架。HiGLDP利用基因组学、转录组学和蛋白质组学信息构建lncRNA与疾病之间的全面相似性网络，并通过随机重走（RWR）和去噪自编码器（DAE）对这些网络进行优化。二分lncRNA-疾病关联网络被转换为具有关系节点的互连图，同时基于余弦相似性构建关联特征图。采用结合图卷积网络（GCN）和图注意力网络（GAT）的混合图神经网络架构来捕捉局部和全局图结构，随后通过多层感知器（MLP）进行关联分类。综合评估表明，与现有方法相比，HiGLDP在预测性能、准确性和鲁棒性方面表现出更优的优势。案例研究进一步验证了其在识别新的lncRNA-疾病关联方面的有效性。

结论

HiGLDP提供了一个强大且可解释的lncRNA-疾病关联预测计算框架。通过将多组学信息与混合图学习相结合，它为lncRNA与疾病之间的相互作用提供了宝贵的见解，并代表了该领域预测建模的重要进展。