时间： 2023年4月21日（本周五） 09 : 30
地点： 望江校区基础教学楼B座318实验室
研读成员： 吴美璇 甘霖
Part1
研读成员： 吴美璇
分享内容：
[1] Yan C, Duan G, Li N, et al. PDMDA: predicting deep-level miRNA–disease associations with graph neural networks and sequence features[J]. Bioinformatics, 2022, 38(8): 2226-2234.
[2] Dong T N, Khosla M. Towards a consistent evaluation of miRNA-disease association prediction models[C]//2020 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). IEEE, 2020: 1835-1842.
论文简介：
[1] 许多研究表明，microRNAs(miRNAs)在人类疾病中起着关键作用。同时，传统的miRNA与疾病关联的实验方法非常昂贵、耗时且具有挑战性。因此，已经开发了许多计算方法来预测miRNAs和疾病之间的潜在关联。然而，这些方法主要是预测miRNA与疾病关联的存在，而不能预测深层次的miRNA与疾病关联类型。在这项研究中，我们提出了一种新的端到端深度学习方法(PDMDA)结合图神经网络(GNN)和miRNA序列特征来预测深层miRNA与疾病的关联。基于miRNAs的序列和结构特征，PDMDA通过全连通网络(FCN)提取miRNA的特征表示。通过GNN模型从疾病-基因网络和基因-基因相互作用网络中提取疾病特征表示。最后，基于miRNA和疾病的串联特征表示，设计了一个由三个完全连通的层和一个Softmax层组成的多层结构来预测最终的miRNA-疾病关联得分。注意，PDMDA不将miRNA-疾病关联矩阵作为输入来计算高斯相似性。我们基于6个关联类型样本(包括循环关联、表观遗传关联、目标关联、遗传学关联、类型未知的已知关联和未知关联样本)进行了三个实验。我们进行了五折交叉验证，以评估PDMDA的预测性能。AUROC作为度量。实验结果表明，PDMDA能够准确预测miRNA与疾病的深层关联。
[2] MicroRNA或miRNA是一类长度约为22个核苷酸的非编码RNA，参与基因表达的调控。近年来，miRNA正在成为很有前途的药物靶点之一。确定miRNA与疾病之间的潜在联系将有助于临床诊断、治疗和药物开发。由于湿实验既昂贵又耗时，近年来提出的基于机器学习的计算方法数量激增。然而，我们发现了三个问题，其中最明显的是现有机器学习方法中的数据泄漏问题。这些问题导致对方法性能的高估，以及模型之间的不公平比较，这反过来又阻碍了这些方法的采用。除了对这些问题进行了深入的研究外，我们还提出了我们的解决方案和建议。
Part2
研读成员： 甘霖
分享内容：
[1] D. Bo, L. Ziyi, L. Fulin. Deep multi-scale attention network for RNA-binding proteins prediction. Inf. Sci., 582 (2022), pp. 287-301.
[2] Xueru Zhao ,Furong Chang , Hehe Lv ,Guobing Zou and Bofeng Zhang. A Novel Deep Learning Method for Predicting RNA-Protein Binding Sites. Appl. Sci. 2023.
论文简介：
[1] RNA结合蛋白（RBPs）在细胞内的多个生物过程中发挥着重要作用，如基因调控和mRNA定位。研究表明，RBPs的突变将导致一些严重的疾病。已经使用了几种深度学习方法，特别是基于卷积神经网络（CNN）的模型，来预测结合位点。然而，这些方法仅使用单一尺度的滤波器来提取固定长度的基序特征，这限制了预测的性能。对于序列数据，不同大小的滤波器可能会学习RNA序列的不同生物信息。因此，提出了一种基于卷积神经网络的深度多尺度注意力网络（DeepMSA）来预测RBPs的序列结合偏好。DeepMSA通过多尺度CNN提取特征，并使用注意力模型将这些特征整合起来，以预测RBPs和结合基序。实验证明，DeepMSA在invivo和invitro数据集上优于几种最先进的方法。结果表明，注意力可以使模型学习到候选基序的一致模式，这可以为RBP基序提供重要的指导建议。
[2] 细胞周期和生物过程依赖于RNA和RNA结合蛋白（RBP）的相互作用。确定RNA的结合位点至关重要。各种深度学习方法已用于RNA结合位点的预测。但是，它们无法提取RNA二级结构的分层特征。因此，本文提出了HPNet，它可以自动识别RNA结合位点和结合偏好。HPNet从RNA序列和RNA二级结构两个角度进行特征学习。在HPNet中，使用了卷积神经网络（CNN）这种深度学习方法来学习RNA序列特征。为了捕获RNA的分层信息，我们在HPNet中引入了DiffPool，这是一种可区分的池化图神经网络（GNN）。通过结合CNN和DiffPool，可以利用RNA序列特征和RNA二级结构的分层特征，从而提高结合位点预测的准确性。可以基于模型输出和参数提取结合偏好。总的来说，实验结果表明，HPNet在基准数据集上实现了94.5％的平均曲线下面积（AUC），比最先进的方法更准确。此外，这些结果表明RNA二级结构的分层特征在选择RNA结合位点方面发挥了重要作用。
