TCBB|用于预测miRNA-疾病关联的深度学习方法综述:数据库、计算方法、挑战和未来方向（综述）

作者 | sn

---

今天给大家介绍我们最近接收的一篇关于miRNA-疾病关联预测的综述文章，来自吉林大学黄岚教授、王岩教授团队在期刊《IEEE/ACM Transactions on Computational Biology and Bioinformatics》发表题为“A Survey of Deep Learning for Detecting miRNA-Disease Associations: Databases, Computational Methods, Challenges, and Future Directions的论文。该篇文章是继之前发表的关于lncRNA-疾病关联预测以及lncRNA-miRNA互作预测系列综述的最后一篇文章，从前年11月份完成折腾到现在才被接收，以上两篇详情见：

CBM|用于lncRNA-疾病关联预测的数据资源和计算方法（综述），

TCBB|用于lncRNA-miRNA相互作用预测的计算方法和数据库的调查（综述）

简介

MicroRNAs (miRNAs)是一类重要的非编码RNA，在各种疾病的发生发展中起着至关重要的作用。确定潜在的miRNA-疾病关联(MDAs)有助于了解疾病的发病机制。传统的实验室实验既昂贵又耗时。计算模型在系统地探索潜在MDAs方面取得了重大进展，大大提高了生物学实验的效率。近年来，随着深度学习的发展，它已经成为一种有吸引力和有效的识别潜在MDAs技术。基于深度学习的MDA预测方法越来越多。在这篇综述中，我们总结了现有的与miRNA和疾病相关的公开数据库，用于MDA预测。接下来，我们概述了常用的miRNA和疾病相似度的计算和整合方法。然后，我们全面回顾了现有的48种基于深度学习的MDA计算方法，将它们分为经典的深度学习和基于图神经网络的技术。随后，我们研究了经常用于评估MDA预测性能的评估方法和度量。最后，讨论了不同计算方法的性能趋势，指出了目前研究中存在的问题，并提出了未来可能的9个研究方向。数据资源和MDA预测方法的最新进展在GitHub存储库https://github.com/sheng-n/DL-miRNA-disease-association-methods中进行了总结。

• Data resources

• Computational methods for MDA prediction

个人总结

（1）前年在写该篇文章的过程中发现陈兴老师发表了三篇关于MDA的综述，分别从数据库，计算方法、评价指标三个维度重新总结并更新了当下关于MDA的发展。后来我们改成只聚焦近几年较为热点的深度学习在MDA预测上的应用，包括AE、CNN、MLP、GCN、GAT等计算方法。我们将其做了一个总结并把它们放在github中，方便相关研究人员和初学者查找相关领域进展。

（2）这篇综述采用了和lncRNA-miRNA的综述相似的风格来写的：1）单独简述了每个计算方法，并给出了关键公式。2）单独总结了当前研究的不足及研究方向，包括以下几点：Data quality、Negative sample selection、Model interpretability、Multi-view learning、Receptive Field、Dynamicity、Meta-path and regulatory path、Deregulation types prediction、Computational and experimental integration。当然还有一些其他问题，由于知识有限就没有总结到。

参考资料：

Sheng N, Xie X, Wang Y et al. A Survey of Deep Learning for Detecting miRNA-Disease Associations: Databases, Computational Methods, Challenges, and Future Directions, IEEE/ACM Transactions on Computational Biology and Bioinformatics 2024, doi: 10.1109/TCBB.2024.3351752.

文章地址：

https://doi.org/10.1109/TCBB.2024.3351752

Github地址：

https://github.com/sheng-n/DL-miRNA-disease-association-methods

欢迎向本公众号投稿文献解读类原创文章，可以是自己or自己组的论文，也可以是阅读觉得不错的论文。投稿邮箱：nan_sheng@yeah.net。

扫码关注我们