توصيفگر ها :
هوش مصنوعي , بيوانفورماتيك , شبكه‌هاي عصبي گراف , يادگيري تقابلي گراف , ژن‌هاي عامل بيماري
چكيده فارسي :
بررسي بيماري‌هاي با منشا مرتبط با موجوديت‌هاي ژني، از ديرباز به‌طور جدي مورد توجه پژوهش‌گران حوزه‌ي زيست‌پزشكي بوده‌است. در ساليان اخير، با مشخص شدن مشاركت RNAهاي غيركدكننده در فرآيندهاي سلولي و نقش محوري آن‌ها در تنظيم سلولي، تاثير مستقيم آن‌ها در بروز بيماري‌ها نيز آشكار شد. شناخت هرچه سريع‌تر اين روابط مي‌تواند در تشخيص، پيشگيري از بروز و نحوه‌ي درمان اين بيماري‌ها بسيار مؤثر واقع شود. شيوه‌هاي آزمايشگاهي در جهت تشخيص موجوديت‌هاي ژني عامل بيماري، به دليل صرف هزينه هاي هنگفت و همچنين نياز به زمان بسيار زياد، پاسخگوي نيازهاي امروزي نيستند. بر همين اساس، استفاده از رويكردهاي محاسباتي در شناسايي ويژگي هاي ژنومي بيماري‌زا، به‌عنوان راه‌حلي اثرگذار، كم‌هزينه و نيازمند صرف زمان بسيار كمتر معرفي شدند. در اين ميان، رويكردهاي مبتني بر يادگيري بازنمايي گراف، با تمركز بر استفاده از اطلاعات ساختاري شبكه‌هاي مختلف تعاملات ژن-بيماري، امروزه از توجه بسيار بالايي برخوردارند. با وجود برتري نتايج اين دسته از رويكردها به نسبت روش‌هاي پيشين در تشخيص عوامل ژني مرتبط با بيماري‌ها، همچنان طيف وسيعي از اطلاعات توصيفي قابل دسترس در پايگاه‌هاي داده‌ي بزرگ در مورد موجوديت‌هاي ژني و بيماري‌ها مورد استفاده قرار نمي‌گيرند. در اين پژوهش، ما با ارائه‌ي يك روش جديد يادگيري تقابلي مبتني بر شبكه‌هاي عصبي گراف، سعي در تشخيص روابط ميان RNAهاي غير كدكننده و بيماري‌ها داريم. هدف مدل پيشنهادي ما بهره‌گيري از اطلاعات توصيفي متناظر با موجوديت‌هاي ژني و بيماري‌ها و يك‌پارچه‌سازي آن‌ها با اطلاعات ساختاري موجود در شبكه‌هاي تعاملات ژنومي، در جهت انجام سه وظيفه‌ي كاملا مجزاي تشخيص RNAهاي غيركدكننده‌ي بلند مرتبط با بيماري (LDA)، تشخيص RNAهاي غير كدكننده‌ي كوتاه عامل بيماري (MDA) و پيش‌بيني تعاملات ميان اين دو دسته از RNAها (LMI) به‌صورت همزمان مي‌باشد. نتايج حاصل از ارزيابي روش ارائه‌شده، حاكي از افزايش دقت مدل ما در مقايسه با بهترين نتايج روش‌هاي پيشين به ميزان 2.59%، 2.14% و 0.17%، به ترتيب در هر سه حوزه‌ي LDA، MDA و LMI مي‌باشد.
چكيده انگليسي :
The study of diseases associated with genetic entities has long been a focus of biomedical researche. In recent years, the involvement of non-coding RNAs in cellular processes and their central role in cellular regulation has become evident. Understanding these relationships as quickly as possible can significantly impact disease diagnosis, prevention, and treatment. However, traditional laboratory methods for identifying disease-causing genomic entities are not responsive to today’s needs due to their high costs and lengthy time requirements. As a result, computational approaches have emerged as effective and cost-efficient solutions for identifying genomic entities related to diseases. Among these approaches, graph representation learning methods have gained significant attention. These methods focus on leveraging structural information from various disease-gene association networks. Despite the superior performance of these approaches compared to previous methods in disease-gene prediction, a wide range of attribute information available in large databases about genomic entities and diseases remains underutilized. In this research, we propose a novel Attribute Information-based graph Contrastive Learning method for Disease-related non-coding RNA Association Prediction (AI-CoLDRAP). Our proposed model is aimed at effectively performing three distinct tasks simultaneously: (1) LncRNA-Disease Association prediction (LDA), (2) miRNA-Disease Association prediction (MDA), and (3) LncRNA-miRNA Interaction prediction (LMI). evaluation results demonstrate an increase in model accuracy compared to other state-of-the-art methods, achieving improvements of 2.59%, 2.14%, and 0.17% in LDA, MDA, and LMI prediction tasks, respectively.
