制定预测组学间联系的策略对于构建疾病的整体图谱至关重要。伊斯法罕医科大学和伊斯法罕理工大学的研究人员，针对各种组间交互预测，提出了深度学习数据集成（DIDL）方法，并在不同的网络上评估了DIDL的适用性。结果表明，DIDL优于最先进的方法。相关成果于1月26日发表于《BMC生物信息学》（BMC Bioinformatics）杂志。

大数据分析是现代生物学的一大挑战。尽管近年来已经为组学数据分析开发了多种方法，但组学数据集成仍然是一个重大挑战。为了预测组学间的相互作用，已经开发了许多用于组学数据集成的方法。然而，它们主要依赖于网络节点的特定生化特性，因此适用性仍然仅限于特定的网络类型。

研究人员针对各种组间交互预测，提出了深度学习数据集成（DIDL）方法。该方法由一个具有两个深度神经网络（DNN）的编码器和一个张量分解预测器组成。为了证明所提出方法的适用性，在药物-靶蛋白、转录因子（TF）-DNA元件和miRNA-mRNA三个不同的生物数据集上进行了评估，并与替代方法进行比较。结果表明，DIDL优于最先进的方法。

DIDL具备几个优点，包括从原始数据中自动提取特征、端到端训练以及对网络稀疏性的稳健性。此外，仅依赖于现有的层间相互作用和相互作用分子的生化特征的独立性使得该算法适用于多种网络。DIDL可用于构建多层网络并生成复杂疾病潜在机制的综合地图，从而为了解复杂疾病的潜在机制铺平道路。

信息来源：

https://bmcbioinformatics.biomedcentral.com/articles/10.1186/s12859-022-04569-2

ScienceAI. https://mp.weixin.qq.com/s/HHxuA3SCss29PiDy8I8-GQ