基于GAT双聚合运算与归纳式矩阵补全的关联预测

摘要：

可计算模型能够有效替代生物实验进行长链非编码RNA(lncRNA)-疾病的关联预测,但由于存在已知数据稀疏性问题,导致现有模型的预测精度不高.针对这一局限性,提出基于图注意力网络与归纳式矩阵补全技术的双融合机制lncRNA-疾病关联预测模型(DFMP-LDA).引入n头注意力机制,设计带有双重聚合器的图注意力网络,增强lncRNA节点与疾病节点的特征,避免数据稀疏性导致模型预测精度不高的问题.在此基础上,针对传统图注意力网络不能直接应用于潜在lncRNA-疾病对关联预测的问题,引入归纳式矩阵补全技术,应用增强后的节点特征重建lncRNA-疾病关联网络,进一步提高模型的预测精度.5折交叉验证结果表明,DFMP-LDA预测lncRNA-疾病关联的AUC值为0.9322,AUPR值为0.7705,在时间成本上分别较DMF-LDA、SDLDA、TPGLDA模型节省33.89％、32.17％、16.12％,预测性能较优.

关键词：图注意力网络、归纳式矩阵补全、关联预测、双重聚合器、特征增强

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;广西自然科学基金面上项目;广西嵌入式技术与智能系统重点实验室项目

在线出版日期：2022-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：72-78