《Physica A: Statistical Mechanics and its Applications》:Heterogeneous similarity regularization improves link-prediction accuracy
编辑推荐:
摘要链接预测是一个经典问题,旨在揭示实体之间的潜在关系。在生物信息学领域,有大量研究致力于开发计算算法来识别诸如lncRNA-药物、lncRNA-疾病和药物-靶标对等关联。为了解决数据稀疏性和不平衡性问题,我们在两个深度学习模型中引入了异构相似性正则化方法,以指导它们学习具有关联
摘要
链接预测是一个经典问题,旨在揭示实体之间的潜在关系。在生物信息学领域,有大量研究致力于开发计算算法来识别诸如lncRNA-药物、lncRNA-疾病和药物-靶标对等关联。为了解决数据稀疏性和不平衡性问题,我们在两个深度学习模型中引入了异构相似性正则化方法,以指导它们学习具有关联的实体的相似表示。在三个链接预测任务的数据集上的结果表明,这种策略在大多数情况下都能提高模型的性能,并且相同的正则化方法也对这三个任务中的新型特定任务方法有益。此外,鲁棒性实验表明,在数据非常有限的情况下它仍然有效。案例研究显示,我们方法预测出的前10个关联大多数都有现有的数据库记录或文献证据支持。总之,本文提出了一种通用策略,可以提高深度学习模型在稀疏生物医学链接预测任务中的准确性和鲁棒性。
引言
在异构网络中进行链接预测是一个经典的问题,用于推断两个节点之间的潜在关联[1]。例如,生物信息学领域的研究人员已经开发了各种算法来识别潜在的药物-靶标、lncRNA-药物和lncRNA-疾病关联。这些研究在药物重新定位、新的治疗靶标识别以及理解疾病机理方面至关重要[2]、[3]、[4]。解决这些问题的主要方法之一是基于一个异构网络,该网络包括两个用于同质节点的相似性网络以及异质节点之间的关联[5]、[6]、[7]。在生物数据中,主要的挑战在于两个固有的限制:数据稀疏性和不平衡性。数据稀疏性指的是已知的异构关联数量远小于两个同质节点数量的乘积。不平衡性指的是某些节点有更多的关联,而其他节点则较少或根本没有关联[8]、[9]。近年来,由于图神经网络(GNNs)具有强大的表示能力[10]、[11],它们被广泛应用于这些问题。本质上,GNNs通过迭代聚合图中的局部和远距离邻居信息来学习低维节点嵌入[12]、[13]。
图卷积网络(GCNs)是一种基本的GNN类型,它们均匀地聚合邻居信息[14]、[15]、[16]。LDA-GNN[17]通过整合多个数据集并聚合局部节点特征来解决关联数据不足的问题。在lncRNA-疾病关联预测中,HGCNLDA[18]通过引入miRNA节点作为中介来间接增加异构网络中的关联,从而减轻了稀疏性的影响。ResGCN-A[19]通过残差连接解决了lncRNA-疾病预测中的梯度消失问题。GCNFORMER[20]利用Transformer基于它们的GCN嵌入来捕捉lncRNAs、miRNAs和疾病之间的全局依赖性[21]、[22]、[23]。FMCA-DTI[24]通过GCNs提取基于片段的药物和蛋白质嵌入,并引入共享权重交叉注意力来建模药物-靶标相互作用。
图注意力网络(GATs)是GNN的一种变体,它们在特征聚合过程中能够自适应地为邻居节点分配权重,从而使它们能够关注更相关的邻居[25]、[26]、[27]。为了减轻数据稀疏性,gGATLDA[28]通过整合lncRNA和疾病的相似性来生成初始节点特征向量,对每对lncRNA-疾病使用一个包围子图。MAMFGAT[29]通过从miRNA-疾病相似性和关联网络中进行跨模态对比学习来细化多模态嵌入,同时通过残差连接减轻深度GAT层中的过度平滑现象。基于前两种方法,MCHNLDA[30]使用基因构建基于元路径的异构子图来连接lncRNAs和疾病,并采用交叉视图对比学习来对齐嵌入。为了进一步解决稀疏性和不平衡性问题,DT-DHG[31]提出了一种聚合策略,该策略动态调整节点的感受野。在聚合步骤中,一个节点的表示实际上来自两种类型的节点:同质节点和相关的异质节点。
应用GNNs的核心挑战在于学习高质量的表示。原则上,有效的嵌入是准确预测的基础。从生化角度来看,两个异构实体之间的有意义关联应该通过它们在潜在嵌入空间中的几何对齐来体现。在本文中,我们提出了一种异构相似性正则化策略,在GNNs中实现有效的表示,并以两个最先进的GNN模型为例:LDA-GNN[17]和DT-DHG[31]。这种策略将生物学上相关的节点对更紧密地嵌入特征空间中,从而提高表示质量并降低后续关联预测的难度。为了评估其通用性,我们将相同的正则化方法应用于三个任务中的几种新型特定方法,并在大多数情况下观察到性能的提高。在多个数据集上的广泛实验表明,增强后的模型通常在AUC、AUPR和Pre@K方面取得了更高的性能,并且在受限的数据情况下仍然保持了较强的鲁棒性。此外,嵌入可视化分析突显了它们生成高质量表示的能力,而案例研究则通过揭示合理的新型关联展示了其实际用途。总体而言,这些结果证明了在预测药物-靶标、lncRNA-药物和lncRNA-疾病关联方面的准确性和鲁棒性的提升,从而加速了药物发现和疾病研究的进展。
章节片段
材料
本文的研究包括药物-靶标、lncRNA-药物和lncRNA-疾病预测任务。lncRNA-药物关联预测使用了来自GEO[32]、CMap[33]的三个不重叠的数据集以及一个经过验证的基准数据集[34]。lncRNA-疾病预测使用了来自lncRNA-疾病[35]的两个数据集和MFLDA数据集[36]。药物-靶标相互作用预测应用了Yamanishi_08[37](包含四个子集:EN、IC、GPCR、NR)和Shao数据集[38]。表1显示了详细计数
实验设置
在本研究中,我们进行了10折交叉验证,将数据分为训练集(80%)、验证集(10%)和测试集(10%),并基于验证结果选择最佳模型来评估测试性能。对于每个折叠,图仅使用训练关联构建,同时保留所有实体节点。然后使用从训练图中学习的节点嵌入来预测验证集和测试集中的关联对。我们评估了关键
结论
在复杂的生物网络中进行链接预测是推动精准医疗发展的一个关键前沿。尽管图神经网络(GNNs)在这个领域显示出相当大的潜力,但它们的性能往往受到生物医学交互数据固有稀疏性的限制。为了解决这个问题,我们引入了一种异构相似性正则化策略,旨在通过将生物学上相关的实体拉得更近来强制嵌入空间中的几何一致性。
资金来源
本工作部分得到了中国国家自然科学基金(编号62573143和62072128)、广东省自然科学基金(编号2023A1515011401)和广州大学研究生创新能力培养资助计划(编号JCCX2026056)的支持。
硬件环境
所有实验都是在Python 3.10.20环境下使用PyTorch 2.2.1和DGL 2.2.1实现的。实验使用配备了NVIDIA GeForce RTX 4090/5090 D GPU的工作站进行。CUDA 12.1用于GPU加速。
CRediT作者贡献声明
刘文彬:写作 – 审稿与编辑、监督、经费获取、概念构思。李楚楚:写作 – 原稿撰写、可视化、项目管理、方法论、调查、正式分析、数据管理。张晓峰:写作 – 审稿与编辑、正式分析、概念构思。徐鹏:写作 – 审稿与编辑、经费获取、正式分析、概念构思。周驰:写作 – 原稿撰写、可视化、数据管理。
利益冲突声明
作者声明在进行研究时没有任何可能被视为潜在利益冲突的商业或财务关系。
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文中报告的工作。
徐鹏|周驰|李楚楚|张晓峰|刘文彬