基于深度门控信息瓶颈的异质生物网络复杂疾病相关microRNA预测模型

本研究针对复杂生物网络中microRNA(miRNA)与疾病关联预测的噪声冗余问题，提出多视图门控变分信息瓶颈模型(MIBNet)。通过门控机制压缩无关信息并增强任务相关特征，结合图神经网络实现异质网络的多尺度特征融合。实验证实该模型在HMDD v2.0/v3.2数据集上显著提升预测性能，为疾病生物标志物发现提供智能分析工具。

　　

在生命科学领域，microRNA(miRNA)作为调控基因表达的非编码RNA，其异常表达与癌症、心血管疾病等复杂疾病密切相关。然而，生物网络的动态性、数据噪声和异质性特征，使得传统计算方法难以准确捕捉miRNA-疾病关联。现有机器学习模型往往忽视结构信息冗余问题，且多视图特征融合效率低下，制约了疾病标志物的发现效率。

针对这些挑战，中国研究人员开发了多视图门控变分信息瓶颈网络(MIBNet)。该研究创新性地将门控机制与信息瓶颈理论结合，通过收缩门和扩张门动态调节特征流，有效过滤生物网络中的噪声。模型整合了miRNA的功能相似性、语义相似性和高斯相互作用核相似性，以及疾病的DAG语义特征，构建异质生物网络进行多尺度表征学习。

关键技术包括：1) 门控变分信息瓶颈实现特征选择与增强；2) 多视图注意力机制融合功能、语义等异构特征；3) 基于HMDD v2.0/v3.2临床验证数据集，采用五折交叉验证评估性能。

【数据表示】部分显示，模型通过DAG(有向无环图)计算疾病语义相似度，并采用高斯交互核(GIP)处理网络拓扑特征。实验证明这种多视图表征能有效克服单一视角偏差。

【实验设置】在HMDD数据集上的测试表明，MIBNet的AUC值显著优于对比模型。消融实验验证了门控机制和信息瓶颈对性能提升的贡献率分别达到12.7%和9.3%。

结论指出，该研究首次将门控机制引入信息瓶颈框架，通过动态特征选择解决了生物网络中的信息冗余问题。相比传统方法，模型在保持83.6%计算效率的同时，将预测准确率提高15.2%。这项工作不仅为复杂疾病相关miRNA预测提供了新范式，其门控变分架构对其它生物网络分析任务也具有借鉴价值。

讨论部分强调，未来可扩展模型到lncRNA-蛋白质互作预测等领域。研究获得国家自然科学基金(62403437等)支持，相关成果发表于《Engineering Applications of Artificial Intelligence》，为智能医疗发展提供了重要方法论参考。