圖自動編碼器上二階段融合實現(xiàn)的環(huán)狀RNA-疾病關(guān)聯(lián)預(yù)測

張 奕，王真梅

（1.桂林理工大學(xué) 信息科學(xué)與工程學(xué)院，廣西 桂林 541006；2.廣西嵌入式技術(shù)與智能系統(tǒng)重點實驗室（桂林理工大學(xué)），廣西 桂林 541006）

0 引言

環(huán)狀RNA（circular RNA，circRNA）是一種新型的單鏈非編碼RNA 分子，與傳統(tǒng)RNA 不同，circRNA 具有封閉的環(huán)狀結(jié)構(gòu)，以各種形式廣泛存在于真核細胞中，在調(diào)節(jié)微小RNA（microRNA，miRNA）介導(dǎo)的基因表達方面扮演著十分重要的角色［1-2］?，F(xiàn)在越來越多的研究者通過研究circRNA 在疾病發(fā)生中所起到的作用和作用機制，探討它作為生物標志物的診斷價值和在疾病治療中的作用［3-4］。因此，與疾病相關(guān)的circRNA 被認為是一種新的疾病診斷和治療的生物標志物，系統(tǒng)地了解circRNA 與疾病的關(guān)聯(lián)關(guān)系是生物信息學(xué)研究的一個重要內(nèi)容，有利于疾病的診斷、治療和預(yù)后，是未來研究的新途徑［5］。

現(xiàn)有的預(yù)測circRNA-疾病關(guān)聯(lián)關(guān)系的方法可分為基于網(wǎng)絡(luò)傳播、基于機器學(xué)習(xí)和基于深度學(xué)習(xí)這3 大類。

1）基于網(wǎng)絡(luò)傳播的方法。

通過構(gòu)建基于已知circRNA-疾病關(guān)聯(lián)、circRNA 相似性和疾病相似性的異質(zhì)網(wǎng)絡(luò)預(yù)測circRNA-疾病關(guān)聯(lián)。Fan 等［5］在circRNA 表達譜、疾病表型相似性和已知的circRNA-疾病關(guān)聯(lián)構(gòu)建的異質(zhì)網(wǎng)絡(luò)上，提出一種基于KATZ 測度的人類circRNA-疾病關(guān)聯(lián)預(yù)測模型（computational model of KATZ measures for Human CircRNA-Disease Association，KATZHCDA）。該模型對異質(zhì)網(wǎng)絡(luò)采用簡單的度量方法就能成功地預(yù)測出circRNA-疾病關(guān)聯(lián)關(guān)系；但不適用于預(yù)測沒有任何已知circRNA 關(guān)聯(lián)的新疾病或沒有任何已知疾病關(guān)聯(lián)的孤立circRNA。Xiao 等［6］開發(fā)了一種基于圖形多標簽學(xué)習(xí)的線上方法，利用circRNA 空間和疾病空間的不同特征保證了數(shù)據(jù)的局部幾何結(jié)構(gòu)，將圖的正則化和混合規(guī)范約束條件納入模型，減少了訓(xùn)練的時間和成本；但circRNA（疾病）相似性計算仍然嚴重依賴已知的circRNA-疾病關(guān)聯(lián)信息，預(yù)測精度不高。Lei 等［7］利用circRNA（疾?。┫嗨菩院鸵阎猚ircRNA-疾病關(guān)聯(lián)構(gòu)成的異質(zhì)網(wǎng)絡(luò)計算路徑加權(quán)方法預(yù)測circRNA-疾病的關(guān)聯(lián)。該模型結(jié)合circRNA 功能相似性分數(shù)、疾病語義相似性分數(shù)和高斯相互作用譜內(nèi)核相似性分數(shù)，填充疾病和circRNA 相似性網(wǎng)絡(luò)的稀疏值，并且只使用了3 步內(nèi)的路徑達到了減少噪聲信息的效果；但該模型對數(shù)據(jù)稀疏的矩陣預(yù)測效果仍不理想。

2）基于機器學(xué)習(xí)的方法。

利用circRNA（疾?。┫嗨菩院鸵阎猚ircRNA-疾病關(guān)聯(lián)構(gòu)建circRNA（疾病）特征，并設(shè)計分類器識別與疾病相關(guān)的circRNA。Lei 等［8］提出一種計算方法，將重啟隨機游走算法應(yīng)用于具有全局網(wǎng)絡(luò)拓撲信息的加權(quán)特征，并采用K最近鄰（K-Nearest Neighbors，KNN）算法根據(jù)特征進行分類提高預(yù)測性能；但該方法在揭示疾病和沒有任何關(guān)聯(lián)的新circRNA或circRNA 和沒有任何關(guān)聯(lián)的新疾病之間的關(guān)聯(lián)關(guān)系方法略有不足。Yan 等［9］采用基于Kronecker 積的正則化最小二乘法實現(xiàn)潛在的circRNA-疾病關(guān)聯(lián)預(yù)測；但該模型沒有考慮其他相關(guān)的生物數(shù)據(jù)信息（如circRNA-miRNA 關(guān)聯(lián)和序列信息），預(yù)測精度不高。Ding 等［10］開發(fā)了一個基于隨機游走和邏輯回歸的計算模型，重啟隨機游走方法可以得到每個circRNA 的全局關(guān)系信息，比僅使用基于相似性的方法性能更好；但該模型無法預(yù)測與circRNA 沒有任何關(guān)聯(lián)的新疾病或與疾病沒有任何關(guān)聯(lián)的新circRNA。

3）基于深度學(xué)習(xí)的方法。

通過整合circRNA、疾病和miRNA 等多源生物信息數(shù)據(jù)構(gòu)建復(fù)雜的circRNA-疾病關(guān)聯(lián)異構(gòu)網(wǎng)絡(luò)圖，提取circRNA 和疾病的非線性特征，實現(xiàn)circRNA-疾病關(guān)聯(lián)預(yù)測。Wang等［11］提出了一種融合多源生物信息的深度卷積神經(jīng)網(wǎng)絡(luò)計算方法，利用空間關(guān)系自動提取circRNA-疾病描述的深層特征，極端學(xué)習(xí)機具有快速訓(xùn)練和良好的歸一化性能的優(yōu)勢，能快速準確地預(yù)測潛在的circRNA-疾病關(guān)聯(lián)關(guān)系；但該方法沒有優(yōu)化數(shù)據(jù)，可能含有更多的噪聲信息，會造成實驗結(jié)果一定的偏差。Fan 等［12］融合circRNA、miRNA 和疾病之間的多種相似性和相互作用特征，構(gòu)建雙層卷積神經(jīng)網(wǎng)絡(luò)，有效引入了circRNA 和疾病的相似性構(gòu)建circRNA（疾病）的拓撲特征；但沒有考慮更多可靠的生物信息，導(dǎo)致預(yù)測精度不高。Li 等［13］利用圖注意網(wǎng)絡(luò)學(xué)習(xí)circRNA（疾?。┑臐撛诒硎?，圖卷積網(wǎng)絡(luò)提取非線性特征，解決了傳統(tǒng)方法中成本高和耗時長的難題；但忽略了線性特征的重要性。Deepthi 等［14］提出了一種集合方法，整合circRNA（疾?。┫嗨菩詷?gòu)建特征，利用深度自動編碼器提取隱藏的生物模式，用隨機森林分類器進行訓(xùn)練；但該方法需要負樣本訓(xùn)練模型。Chen 等［15］使用矩陣補全方法填充矩陣中缺失值以達到預(yù)測良好的效果；但未能低成本快速地尋找最優(yōu)參數(shù)。Lu 等［16］提出一種基于深度矩陣分解方法的circRNA-疾病關(guān)聯(lián)（Deep Matrix Factorization for CircRNA-Disease Association，DMFCDA）預(yù)測。該方法利用多層神經(jīng)網(wǎng)絡(luò)捕捉非線性特征，掌握數(shù)據(jù)的復(fù)雜結(jié)構(gòu)。DMFCDA 加入注意力機制，關(guān)注重要信息，忽略或減少其他信息，可以提高預(yù)測性能。Li 等［17］提出一種基于加速歸納式矩陣補全的circRNA-疾病關(guān)聯(lián)（Speedup Inductive Matrix Completion for CircRNA-Disease Associations，SIMCCDA）預(yù)測模型，將circRNA-疾病關(guān)聯(lián)轉(zhuǎn)化為推薦系統(tǒng)問題，并應(yīng)用歸納式矩陣補全算法預(yù)測潛在的circRNA-疾病關(guān)聯(lián)關(guān)系，不僅取得了良好的預(yù)測效果，而且節(jié)省了內(nèi)存和降低了訓(xùn)練時間成本；但SIMCCDA 不能應(yīng)用于沒有任何關(guān)聯(lián)的新疾病或孤立circRNA 的預(yù)測。

針對以上3 類方法的固有缺陷，本文在圖自動編碼器的基礎(chǔ)上，融合歸納式矩陣補全和自注意力機制對預(yù)測精度進行二階段提高，提出新型circRNA-疾病關(guān)聯(lián)預(yù)測模型——GIS-CDA（Graph auto-encoder combining Inductive matrix complementation and Self-attention mechanism for predicting CircRNA-Disease Association）模型。GIS-CDA 模型的建立過程如圖1 所示，分為以下3 個步驟：

圖1 GIS-CDA模型建立過程Fig.1 Construction process of GISCDA model

1）整合多源生物信息數(shù)據(jù)，包括已知circRNA-疾病關(guān)聯(lián)、疾病語義相似性、circRNA 功能相似性和circRNA（疾?。└咚瓜嗷プ饔米V內(nèi)核相似性。

2）圖自動編碼器對circRNA 和疾病相似性進行編碼和解碼。學(xué)習(xí)circRNA（疾病）潛在特征，獲得circRNA（疾?。┑牡途S表征。將學(xué)習(xí)到的特征輸入歸納式矩陣補全，生成關(guān)聯(lián)矩陣，提高節(jié)點之間的相似性和依賴性。模型訓(xùn)練后得到circRNA（疾病）特征矩陣，將兩者整合得到circRNA-疾病特征矩陣，增強預(yù)測的穩(wěn)定性和準確性。

3）將第2）步得到的circRNA 特征矩陣、疾病特征矩陣和circRNA-疾病特征矩陣作為數(shù)據(jù)輸入，分別引入自注意力機制，提取重要特征，減少對其他生物信息的依賴。

1 模型建立

1.1 相似性網(wǎng)絡(luò)建立

1.1.1 疾病語義相似性

疾病語義信息因其有效性和穩(wěn)定性被廣泛用于疾病相似性的度量［14］。本文從MeSH（Medical Subject Headings）數(shù)據(jù)庫［9］獲取每種疾病的相關(guān)注釋詞，利用有向無環(huán)圖（Directed Acyclic Graph，DAG）［9］計算疾病語義相似性。任意疾病dt對疾病di的語義貢獻值用(dt)表示，計算如式（1）所示：

其中σ表示語義貢獻的衰減系數(shù)，根據(jù)Wang 等［18］提出的計算疾病語義相似性計算方法，σ取最優(yōu)值0.5。

在DAG 中擁有更多共同部分的疾病具有更高的語義相似性［9］。矩陣DS∈Rnd×nd表示疾病語義相似性矩陣（nd表示疾病數(shù)），矩陣元素DS(di，dj)表示疾病di與dj之間的疾病語義相似性，計算如式（2）所示：

其中：T(di)表示疾病di的DAG；D(di)表示疾病di的語義值，計算如式（3）所示：

1.1.2 circRNA功能相似性

集合D={d1，d2，…，dnd}表示疾病集，max(dt，D)表示任意疾病dt在疾病集D中語義相似性的最大值，計算如式（4）所示：

功能相似的circRNA 往往與相似的疾病相關(guān)［14］。根據(jù)此假設(shè)，結(jié)合Chen 等［15］提出的miRNA 功能相似性計算方法，獲 得circRNA 功能相 似性矩 陣CS∈Rnc×nc（nc表 示circRNA 數(shù)），矩陣元素CS(ci，cj)表示circRNAci與cj之間的功能相似性，計算如式（5）所示：

其中，集合Di表示與circRNAci有關(guān)聯(lián)的疾病集；集合Dj表示與circRNAcj有關(guān)聯(lián)的疾病集；|Di|和|Dj|分別表示集合Di和Dj中疾病的數(shù)量。

1.1.3 高斯相互作用譜內(nèi)核相似性

矩陣A∈Rnc×nd表示已知的circRNA-疾病關(guān)聯(lián)。如果circRNAci與疾病dj存在經(jīng)實驗驗證的已知關(guān)聯(lián)，則定義矩陣元素A(ci，dj)=1；如果任何circRNAci與疾病dj不存在經(jīng)實驗驗證的已知關(guān)聯(lián)，則定義矩陣元素A(ci，dj)=0。由于circRNA 與疾病的已知關(guān)聯(lián)數(shù)量少，導(dǎo)致已知關(guān)聯(lián)矩陣中存在大量的缺失值，呈現(xiàn)出固有的稀疏性。本文引入circRNA與疾病的高斯相互作用譜內(nèi)核相似性填充缺失值［14］。矩陣CK∈Rnc×nc表示circRNA 高斯相互作用譜內(nèi)核相似性，矩陣元素CK(ci，cj)表示circRNAci與cj的高斯相互作用譜內(nèi)核相似性，計算如式（6）所示：

其中μc表示高斯相互作用譜內(nèi)核相似性的控制內(nèi)核帶寬，控制CK(ci，cj)的大小，計算如式（7）所示：

同理，矩陣DK∈Rnd×nd表示疾病高斯相互作用譜內(nèi)核相似性，矩陣元素DK(di，dj)表示疾病di與疾病dj的高斯相互作用譜內(nèi)核相似性，計算如式（8）所示：

其中μd表示高斯相互作用譜內(nèi)核相似性的控制內(nèi)核帶寬，控制DK(di，dj)的大小，計算如式（9）所示：

1.1.4 集成相似性

如前所述，本文已經(jīng)獲得了疾病語義相似性、circRNA 功能相似性、circRNA（疾?。└咚瓜嗷プ饔米V內(nèi)核相似性?？紤]到疾病語義相似性和circRNA 功能相似性固有存在的稀疏性，通過整合來自多個數(shù)據(jù)源的互補信息和不同的表示方法，采用集成相似性量化每對circRNA（疾病）相似性克服固有稀疏性。circRNA 集成相似性由矩陣Xc∈Rnc×nc表示，矩陣元素Xc(ci，cj)的計算如式（10）所示：

同理，矩陣Xd∈Rnd×nd表示疾病集成相似性，矩陣元素Xd(di，dj)的計算如式（11）所示：

1.2 方法概述

1.2.1 圖自動編碼器

Li 等［19］利用圖自動編碼器獲得低維表示，可以提高模型的預(yù)測精度。為此，GIS-CDA 采用圖自動編碼器從圖的節(jié)點中提取嵌入向量，學(xué)習(xí)潛在特征，重構(gòu)原始輸入數(shù)據(jù)，獲取低維表示以達到提高預(yù)測精度的目的。

利用circRNA 集成相似性矩陣Xc和疾病集成相似性矩陣Xd，構(gòu)建circRNA 特征向量c=[c1，c2，…，cnc]和疾病特征向量d=[d1，d2，…，dnd]。使用兩層圖卷積神經(jīng)網(wǎng)絡(luò)將關(guān)聯(lián)矩陣A分別與circRNA 和疾病的特征向量相結(jié)合，得到相應(yīng)的低維表示。

將Xc、Xd作為編碼器［19］的輸入，使用tanh 函數(shù)增加模型對非線性數(shù)據(jù)的處理能力并進行歸一化。編碼器對Xc編碼，得到低維表示Zc，計算如式（12）（13）所示：

同理，編碼器對Xd編碼，得到低維表示Zd，計算如式（14）（15）所示：

由于circRNA（疾?。┨卣飨蛄亢w了結(jié)構(gòu)信息，本文采用解碼器［19］識別潛在的circRNA-疾病關(guān)聯(lián)關(guān)系。解碼器采用sigmoid 激活函數(shù)器［19］，使平均激活程度小于1。矩陣Fc∈Rnc×nd表示解碼器對Zc解碼得到的circRNA 特征矩陣，計算如式（16）所示：

同理，矩陣Fd∈Rnd×nc表示解碼器對Zd解碼得到的疾病特征矩陣，計算如式（17）所示：

1.2.2 歸納式矩陣補全

GIS-CDA 借鑒歸納式矩陣補全的方法［15］，利用上一步推導(dǎo)得到的疾病特征矩陣Fd和circRNA 特征矩陣Fc，重建circRNA-疾病關(guān)聯(lián)矩陣，填補已知關(guān)聯(lián)矩陣A中的缺失值。補全后的關(guān)聯(lián)矩陣Q∈Rnc×nd的計算如式（18）所示：

GIS-CDA 采用最小化損失函數(shù)訓(xùn)練參數(shù)，以達到優(yōu)化損失函數(shù)的目的［20］，在沒有過擬合的情況下降低損失，提高優(yōu)化效率。模型優(yōu)化過程如式（19）所示：

其中：L表示損失函數(shù)；λ表示平衡因子，取值為10-8，W∈Rnc×nd表示權(quán) 重矩陣；‖ ‖·F表示矩陣的弗羅貝尼烏斯范數(shù)。

1.2.3 自注意機制

圖注意力網(wǎng)絡(luò)通過注意力機制學(xué)習(xí)圖上節(jié)點的表示，為不同的鄰居節(jié)點分配不同的學(xué)習(xí)權(quán)重，使節(jié)點特征之間的相關(guān)性更好地整合到模型中，取得了較好的預(yù)測性能［21］。為此，GIS-CDA 引入自注意力機制，通過矩陣的秩不等式提高預(yù)測精度［22］，計算如式（20）所示：

其中：rank(*)表示矩陣的秩；α∈(0，1)為Fc和Fd之間的平衡系數(shù)，α取值為0.5。

由此，將Fc和Fd整合為最終的circRNA-疾病特征矩陣F∈Rnc×nd，計算如式（21）所示：

將推導(dǎo)得到的矩陣Fc、Fd和F作為數(shù)據(jù)輸入，令Fc、Fd和F分別等價于自注意力機制中的查詢、關(guān)鍵字和值。通過點乘方式計算Fc和Fd中兩個向量之間的相似性，softmax 優(yōu)化后，再和F中每個向量點乘得到對應(yīng)的自注意力層的輸出向量，用矩陣E∈Rnc×nd表示，計算如式（22）所示：

其中d表示隱藏層的向量維度，值設(shè)為256。

由此，將式（19）更改寫為式（23）：

在文獻［22］的基礎(chǔ)上加入重建誤差，計算如式（24）所示：

綜上，本文模型的總損失函數(shù)如式（25）所示：

其中：β表示平衡因子，為方便計算，將β的值設(shè)為1；λ的值設(shè)為10-8。

2 實驗與結(jié)果分析

2.1 實驗數(shù)據(jù)集和環(huán)境

從circR2Disease 數(shù)據(jù)庫［23］中獲取經(jīng)實驗驗證的739 個circRNA-疾病已知關(guān)聯(lián)關(guān)系（涉及661 個circRNA 與100 種疾?。h除冗余數(shù)據(jù)后，只挑選與人類復(fù)雜疾病相關(guān)的650個已知關(guān)聯(lián)數(shù)據(jù)（涉及585 個circRNA 與88 種疾?。┳鳛橐阎P(guān)聯(lián)矩陣。所有實驗均在AMD 1.80 GHz CPU 和Windows 10 操作系統(tǒng)上完成。

2.2 評估指標

由于已知circRNA-疾病關(guān)聯(lián)數(shù)量遠小于未知的關(guān)聯(lián)數(shù)量，從所有未經(jīng)實驗驗證的65 361 個circRNA-疾病關(guān)聯(lián)對中隨機挑選650 個circRNA-疾病關(guān)聯(lián)對作為負樣本，circRNA-疾病關(guān)聯(lián)數(shù)據(jù)中的650 個已知關(guān)聯(lián)作為正樣本。為減少隨機樣本分區(qū)的變化，采用了10 次重復(fù)的五折和十折交叉驗證的平均接收者操作特征曲線下面積（Area Under Receiver Operating Characteristic curve，AUROC）、精確率-召回率曲線下面積（Area Under Precision-Recall curve，AUPR）作為評估指標評估GIS-CDA 預(yù)測性能。其中，AUROC 是以假正例率（False Positive Rate）為橫坐標、真正例率（True Positive Rate）為縱坐標的接收者操作特征（Receiver Operating Characteristic，ROC）曲線下面積，AUPR 是以召回率（Recall）為橫坐標、精確率（Precision）為縱坐標的精確率-召回率（Precision-Recall，PR）曲線下面積。五折和十折交叉驗證后，得到GIS-CDA 的ROC 曲線和PR 曲線，如圖2 所示。

圖2 GIS-CDA交叉驗證結(jié)果Fig.2 Cross validation results of GIS-CDA

由圖2 結(jié)果可知，GIS-CDA 模型在十折交叉驗證的AUROC、AUPR 值比五折交叉驗證分別高出了0.75、4.47 個百分點，表明GIS-CDA 模型使用十折交叉驗證利用了更多的訓(xùn)練數(shù)據(jù)，可以準確地評估GIS-CDA 模型在circRNA-疾病關(guān)聯(lián)預(yù)測性能。

2.3 參數(shù)選擇影響

對參數(shù)的分析可以定量地評估模型的穩(wěn)定性［20］。本節(jié)分析Fc和Fd之間的平衡系數(shù)α、學(xué)習(xí)率l和隱藏層維度d這3 個參數(shù)值的選擇對GIS-CDA 預(yù)測性能的影響。

2.3.1 隱藏層維度選擇

根據(jù)文獻［22］取固定學(xué)習(xí)率l為0.01，F(xiàn)c和Fd之間的平衡系數(shù)α為0.5，分析隱藏層維度d對GIS-CDA 性能的影響。針對每個d∈{32，64，128，256，512}進行五折交叉驗證后，得到相應(yīng)的AUROC 值和AUPR 值，如表1 所示。

表1 不同隱藏層維度d下的AUROC、AUPR值Tab.1 AUROC、AUPR values with different hidden layer dimension d

隱藏層維度越高，誤差越小，但是會增加模型復(fù)雜度，也可能會出現(xiàn)過擬合現(xiàn)象。由表1 可知，當維度從32 增加到256，GIS-CDA 的性能隨之提升；當維度為512 時，AUROC 值和AUPR 值分別比維度256 的低1.87 和4.23 個百分點。當維度為256 時，模型的AUROC 值和AUPR 值最大。因此，本文將隱藏層維度d設(shè)定為256，既保證了模型預(yù)測性能，又節(jié)省了時間與空間成本。

2.3.2 平衡系數(shù)選擇

固定l為0.01，d為256，針對每個Fc和Fd之間的平衡系數(shù)α∈{0.1，0.3，0.5，0.7，0.9}進行五折交叉驗證后，得到相應(yīng)的AUROC 值和AUPR 值，如表2 所示。

表2 不同平衡系數(shù)α下的AUROC、AUPR值Tab.2 AUROC、AUPR values with different balance coefficient α

Fc和Fd之間的平衡系數(shù)α不僅決定融合后circRNA-疾病特征矩陣的稀疏性，也關(guān)系到節(jié)點之間的相關(guān)性是否更好地整合到模型中。由表2 可知，當α=0.5 時，模型的AUROC 值和AUPR 值最大。

2.3.3 學(xué)習(xí)率選擇

固定d為256，α為0.5，改變學(xué)習(xí)率l為常用的數(shù)值。針對每個l∈{0.001，0.005，0.01，0.05，0.1}進行五折交叉驗證后，得到相應(yīng)的AUROC 值和AUPR 值，如表3 所示。

表3 不同學(xué)習(xí)率l下的AUROC、AUPR值Tab.3 AUROC、AUPR values with different learning rate l

學(xué)習(xí)率l控制模型學(xué)習(xí)的速度。由表3 可知，當l為0.01時，AUROC 值和AUPR 值最大。

通過對3 種參數(shù)值的選擇分析可知，當α為0.5，l為0.01 和d為256 時，GIS-CDA 可獲得最佳的預(yù)測性能（即AUROC 值為0.930 3，AUPR 值為0.227 1）。

2.4 消融實驗

為了驗證引入的自注意力機制和重建的損失函數(shù)對模型GIS-CDA 的預(yù)測精度二次提高的效果，本文設(shè)置了3 組對比實驗，具體如表4 所示。

表4 消融實驗對比設(shè)置Tab.4 Comparison setting of ablation experiment

經(jīng)五折交叉驗證后，得到3 組對比實驗的ROC 曲線和PR 曲線，如圖3 所示。

圖3 消融實驗結(jié)果對比Fig.3 Comparison of ablation experimental results

由圖3 可知，無論是AUROC 值還是AUPR 值，GIS-CDA均優(yōu)于3 組對照實驗，其中：第2 組的AUROC 值比第3 組高37.06 個百分點，AUPR 值高14.77 個百分點，說明加入重建損失函數(shù)，減小了誤差，提高了模型優(yōu)化性能；第1 組的AUROC 值比第3 組 高29.19 個 百分點，AUPR 值 高13.42 個百分點，說明加入了自注意力機制可以減少對其他信息的依賴，對融合circRNA-疾病有較大的幫助；GIS-CDA 的AUROC值比第1、2 組分別高了11.12 和3.25 個百分點，AUPR 值分別高8.05 和6.7 個百分點，說明結(jié)合自注意力機制和重建損失函數(shù)，可以獲取更多的有用信息，進而提高模型預(yù)測精度。綜上表明，引入自注意力機制和重建損失函數(shù)對GIS-CDA 預(yù)測精度的提高是至關(guān)重要的。

2.5 不同數(shù)據(jù)集對比

為了進一步驗證GIS-CDA 模型的預(yù)測性能，本文在circRNADisease［24］、circ2Disease［25］和circR2Disease［23］這3 個數(shù)據(jù)集上進行了拓展實驗。刪除冗余數(shù)據(jù)后，只挑選與人類復(fù)雜疾病相關(guān)的已知關(guān)聯(lián)數(shù)據(jù)用于circRNA-疾病潛在關(guān)聯(lián)預(yù)測，詳細數(shù)據(jù)如表5 所示。

表5 不同數(shù)據(jù)集數(shù)據(jù)細節(jié)Tab.5 Data details of different datasets

五折交叉驗證后，得到3 個數(shù)據(jù)集的ROC 曲線和PR 曲線，如圖4 所示。

圖4 不同數(shù)據(jù)集預(yù)測結(jié)果對比Fig.4 Comparison of prediction results on different datasets

由表5 可知，circR2Disease 的疾病數(shù)、circRNA 數(shù)和關(guān)聯(lián)數(shù)均比circRNADisease 和circ2Disease 多一倍以上。由圖4可知，GIS-CDA 在circ2Disease、circRNADisease、circR2Disease數(shù)據(jù)集上取得的AUROC 值分別是0.843 0、0.848 9、0.930 3，AUPR 值分別是0.159 4、0.163 6、0.227 1。實驗結(jié)果表明，GIS-CDA 在不同數(shù)據(jù)集上AUROC 值和AUPR 值均取得了0.840 0 和0.150 0 以上的預(yù)測結(jié)果，說明模型具有魯棒性，可適用于不同尺度的數(shù)據(jù)。

2.6 與現(xiàn)有方法對比

在相同的數(shù)據(jù)集條件下，以AUROC 和AUPR 作為評價指 標，將GIS-CDA 與KATZHCDA［5］、DMFCDA［16］、RWR（Random Walk with Restart）［26］和SIMCCDA［17］這4 個先 進模型進行性能對比，涉及到的參數(shù)均使用各自模型推薦的最優(yōu)參數(shù)。五折交叉驗證后的ROC 曲線和PR 曲線如圖5 所示，AUROC 值、AUPR 值和運行時間如表6 所示。

表6 所提模型與現(xiàn)有模型的AUROC值、AUPR值和運行時間對比Tab.6 Comparison of AUROC values，AUPR values and running time of the proposed model and existing models

運行時間方面，GIS-CDA 僅高于SIMCCDA，但GIS-CDA的AUROC 值和AUPR 值分別比SIMCCDA 的高5.01 和13.86個百分 點。此 外，GIS-CDA 的AUROC 值、AUPR 值優(yōu)于KATZHCDA、DMFCDA 和RWR，其中AUROC 值分別高出了13.19、35.73 和13.28 個百分點，AUPR 值分別高出21.72、22.43 和21.96 個百分點。由此，從AUROC 值、AUPR 值和運行時間這3 方面可以得出，GIS-CDA 模型的預(yù)測性能更優(yōu)。

3 案例分析

為了驗證GIS-CDA 模型在真實案例中的預(yù)測效果，本文分別對神經(jīng)膠質(zhì)癌［27］和胃癌［28］進行了案例研究。經(jīng)計算預(yù)測與此兩種疾病相關(guān)的circRNA，將得到的關(guān)聯(lián)預(yù)測得分按降序排列后，分別篩選排名前10 位的circRNA，如表7、8所示。

表7 前10個與神經(jīng)膠質(zhì)癌相關(guān)的circRNATab.7 Top 10 circRNAs associated with glioma

表8 前10個與胃癌相關(guān)的circRNATab.8 Top 10 circRNAs associated with gastric cancer

表7、8 通過在PMID 數(shù)據(jù)庫中搜索相關(guān)文獻和報告，得到了GIS-CDA 模型的預(yù)測結(jié)果。表中數(shù)據(jù)顯示，在GIS-CDA預(yù)測的前10 位與神經(jīng)膠質(zhì)癌、胃癌相關(guān)的circRNA 中，各有7、8 個已被文獻證實。其中：circPVT1 通過上調(diào)miR-199a-5p抑制膠質(zhì)癌的生長和轉(zhuǎn)移［29］，circHIPK3 通過miR-524-5p/KIF2A 介導(dǎo)的PI3K/AKT 途徑促進神經(jīng)膠質(zhì)癌的轉(zhuǎn)移和凋亡［30］；CirITCH 通過Wnt/β-catenin 途徑封存miR-17 預(yù)防胃癌的發(fā)生，是胃癌的預(yù)后標志物［31］；circCCDC66 通過靶向miR-618/BCL2 軸克服胃癌細胞對順鉑的耐藥性［32］。案例分析進一步驗證了GIS-CDA 具有識別與疾病關(guān)聯(lián)circRNA 的良好性能，具有一定的應(yīng)用價值。

4 結(jié)語

本文在圖自動編碼器基礎(chǔ)上，引入歸納式矩陣補全與自注意力機制，通過二階段融合實現(xiàn)circRNA-疾病關(guān)聯(lián)預(yù)測。GIS-CDA 模型克服了現(xiàn)有模型訓(xùn)練時間長、預(yù)測準確度不高的缺陷，具有較好的預(yù)測性能。今后將整合更多的生物數(shù)據(jù)集來進一步提升模型的預(yù)測性能。