An Efficient Approach based on Multi-sources Information to Predict CircRNA-disease Associations Using Deep Convoltional Neural Network 基于多源信息的深度卷积神经网络预测CircRNA疾病关联的有效方法
新兴证据表明，环状RNA（circRNA）在人类疾病中起着至关重要的作用。使用circRNA作为生物标志物，为我们诊断疾病和了解疾病发病机理提供了新的视角。然而，仅通过生物学实验来检测circRNA-疾病关联常常是盲目的，限于小规模，高成本和耗时。因此，迫切需要可靠的计算方法，以快速大规模地推断潜在的circRNA-疾病关联并为生物学实验提供最有希望的候选者。
在本文中，我们提出了一种基于多源信息并结合深度卷积神经网络的高效计算方法，以预测circRNA-疾病关联。该方法首先融合多源信息，包括疾病语义相似度，疾病高斯相互作用谱内核相似度和circRNA高斯相互作用谱内核相似度，然后通过卷积神经网络提取其隐藏的深层特征，最后将其发送到极限学习机。分类器进行预测。五重交叉验证结果表明，该方法在CIRCR2Disease数据集上的AUC为86.67％时，达到了87.21％的预测准确度和88.50％的灵敏度。与同一数据集上的最新SVM分类器和其他特征提取方法相比，所提出的模型取得了最佳结果。此外，我们还通过搜索已发表的文献获得了对预测结果的实验支持。结果，文献中证实了得分最高的15对circRNA疾病中的7对。这些结果表明，提出的模型是预测circRNA-疾病关联的合适方法，并且可以为生物学实验提供可靠的候选者。这项工作中探索的源代码和数据集可在以下位置获得：这些结果表明，提出的模型是预测circRNA-疾病关联的合适方法，并且可以为生物学实验提供可靠的候选者。这项工作中探索的源代码和数据集可在以下位置获得：这些结果表明，提出的模型是预测circRNA-疾病关联的合适方法，并且可以为生物学实验提供可靠的候选者。这项工作中探索的源代码和数据集可在以下位置获得：https://github.com/look0012/circRNA-Disease-association。
