论文阅读笔记

Inferring Disease-Associated MicroRNAs Using Semi-supervised Multi-Label Graph Convolutional Networks 论文阅读笔记

背景

PCGs（蛋白质编码基因）和疾病之间的相互关联关系已经有了相当多的研究，同时也有文献证明表示miRNA和PCGs相互作用而使细胞表达出功能。在以前研究的基础上，该文章结合PCGs和miRNA之间的关系、PCGs和疾病之间的关系、PCGs和PCGs之间的关联关系来预测miRNA和疾病之间的关联。使用的方法为图卷积神经网络（GCN）。

数据处理

1. 组织表达数据：从GTEx表达数据库钟下载了19732PCGs和2833个miRNA分别在53个组织上面的表达数据，并且在额外增加了一个在53个组织上面的表达数据之和的数据。处理完后，得到了miRNA和PCGs在组织上面的特征，特征长度为：54。

2. 疾病—PCG关联数据：从DISEASES数据库上下载了疾病和PCG的相互关联数据，在该项研究中，只用置信分数大于等于2的数据，最后在4161钟疾病和9636个PCG之间获得了86430个关联。将其映射到Ensembl基因标识中，用该关联数据做为最后的标签（训练集标签）。

3. 疾病-miRNA关联数据，从HMDDv3.0数据哭上提取了1102个miRNA和850种疾病的32281个关联，在去除空数据并江miRNA名称映射到Rnsembl基因标识符中后（用于在两种疾病关联数据之中建立连接），获得了548个miRNA与486种疾病之间的6829个关联。（测试集标签）

4. PCG-PCG关联数据/miRNA-PCG关联数据：利用这两种数据，在满足一定的生物学条件的基础上，构建网络，该网络由PCG和miRNA充当节点并相互关联。

方法

对于一个图卷积神经网络来说，它需要的数据有：样本的特征、样本的标签、样本之间的邻域关系。分别在数据处理中的1、2/3、4中已经获得。

方法图及详解

总结

文章的创新点其一在于整合了多种不同的网络，其二在于考虑到生物学的一些问题的优秀的预处理过程。

文章链接

https://www.sciencedirect.com/science/article/pii/S2589004219303517