(資料圖)
早些時(shí)候?qū)ircRNA-disease相關(guān)的數(shù)據(jù)庫(kù)以及方法進(jìn)行過(guò)盤點(diǎn)，雖然預(yù)測(cè)工具眾多（>67個(gè)），然而對(duì)用戶非常不友好。
詳情請(qǐng)?jiān)L問(wèn)：circRNA-disease數(shù)據(jù)庫(kù)與計(jì)算工具盤點(diǎn)
2023年8月16日，西安交通大學(xué)付來(lái)義團(tuán)隊(duì)發(fā)表在Briefings in Bioinformatics （IF=）的文章【KGETCDA: an efficient representation learning framework based on knowledge graph encoder from transformer for predicting circRNA-disease associations 】打破了這個(gè)尷尬的局面。
研究團(tuán)隊(duì)開(kāi)發(fā)了一個(gè)用于預(yù)測(cè) circRNA-disease關(guān)系的深度學(xué)習(xí)方法 KGETCDA(Knowledge Graph Encoder from Transformer for predicting CircRNA-Disease Associations)。整合了10多個(gè)非編碼疾病關(guān)系數(shù)據(jù)庫(kù)，構(gòu)建了circRNA、miRNA、lncRNA與疾病的關(guān)系數(shù)據(jù)集，根據(jù)該數(shù)據(jù)集構(gòu)建了生物學(xué)知識(shí)圖；然后構(gòu)建了Transformer（繼CNN和RNN之后又一個(gè)高效的特征提取器）知識(shí)提取圖層，精確地捕獲高階的交互信息；最后多層感知器被用來(lái)預(yù)測(cè)circRNA-disease associations(CDAs)。
經(jīng)過(guò)評(píng)估，KGETCDA比其他最新的方法性能都要優(yōu)越。
最后，為了讓大家享受到自己的研究成果，作者還開(kāi)發(fā)了一個(gè)用戶友好的網(wǎng)絡(luò)平臺(tái)HNRBase（網(wǎng)址：/KGETCDA）。下圖展示了網(wǎng)絡(luò)平臺(tái)的一些功能。
關(guān)鍵詞：
