欢迎课题组投稿中文宣传稿，投稿方式见文末mDADGAN：利用lncRNA和基于扩散的生成对抗网络预测miRNA与药物反应关联论文信息广西大学Li Wang、Cheng Zhong团队针对现有miRNA-药物反应关联预测方法难以充分捕获复杂高阶生物交互作用、且对数据稀疏性与类别不平衡敏感的问题，团队提出了一种名为“mDADGAN”的预测方法。该方法基于扩散机制构建了生成对抗网络，具体实现上：首先从四个公共数据资源中整理出融合功能关联的大规模生物信息数据集；其次通过引入lncRNA构建miRNA-lncRNA-药物三层异质交互网络，并利用异构图卷积提取节点间的潜在特征以缓解数据稀疏性；然后引入基于扩散的扰动机制对特征表征进行去噪与鲁棒性增强；最后在对抗训练过程中采用代价敏感学习优化目标函数，从而有效应对类别不平衡。在四个数据集上的对比实验表明，mDADGAN在AUC、AUPR、ACC、召回率和F1分数上均显著优于现有六种方法；案例研究进一步证实，整合lncRNA信息能有效提升预测性能，不仅能准确识别已知关联，还能预测出有文献证据支持的新关联。该工作为未来生物学实验提供了高效的候选筛选工具，有助于提升实验效率并降低研究成本。研究成果于2026年4月20日以题为“mDADGAN: Predicting miRNA–Drug Response Associations Using lncRNAs and a Diffusion-Based Generative Adversarial Network”发表在《Journal of Chemical Information and Modeling》上。图文解读图1：本文方法的总体框架。图1系统展示了mDADGAN的四阶段流程：首先从miRNA、lncRNA和药物中提取序列、结构及化学指纹等多维特征；继而构建miRNA-lncRNA-药物异质图，通过图卷积学习节点嵌入；然后引入扩散扰动增强嵌入鲁棒性，并通过生成对抗网络与代价敏感学习联合优化；最终输出miRNA-药物反应关联预测。该框架有效整合了多源信息与稀疏图上的对抗学习。图2：mDADGAN算法的流程。图2展示了mDADGAN的算法流程：首先预处理构建miRNA-lncRNA-药物异质图及关联矩阵；然后提取RNA的序列、结构与相似性特征及药物的化学指纹，融合为节点嵌入；接着通过异构图卷积学习高阶表示，加入扩散扰动增强鲁棒性，并采用代价敏感的生成对抗网络进行协同优化（对假阴性施加更高惩罚）；最后对miRNA-药物对进行打分预测，输出潜在关联。该流程系统集成了多源特征与稀疏图上的对抗学习。文章小结本文提出mDADGAN，一种基于扩散生成对抗网络的miRNA-药物反应关联预测方法。该方法通过整合多源数据库构建miRNA-lncRNA-药物异质网络，提取序列、结构及化学指纹等多维特征，利用扩散扰动增强嵌入鲁棒性，并采用代价敏感学习缓解类别不平衡。实验表明，mDADGAN在AUC、召回率等指标上显著优于现有六种方法，能有效识别已知及潜在关联。消融实验验证了lncRNA信息、扩散机制与代价敏感学习的核心贡献。案例研究进一步证实其生物学合理性。该框架为药物敏感性筛选和个性化治疗提供了高效计算工具。文献来源DOI：https://doi.org/10.1021/acs.jcim.6c00254
夜雨聆风
