SSCLMD项目详细分析

SSCLMD项目详细分析

1. 项目概述

SSCLMD（Self-supervised Contrastive Learning on Attribute and Topology Graphs for Predicting Relationships Among lncRNAs, miRNAs and Diseases）是一个发表在IEEE Journal of Biomedical and Health Informatics上的项目，主要目的是预测长非编码RNA（lncRNA）、微RNA（miRNA）和疾病之间的关系。

该项目采用自监督对比学习方法，结合属性图和拓扑图的特点，为生物分子（lncRNA和miRNA）及疾病之间的关系预测提供了一种新颖的计算方法。

2. 数据集

项目使用了两个数据集（dataset1和dataset2），每个数据集包含以下数据：

• lncRNA-疾病关联（LDA）
• miRNA-疾病关联（MDA）
• lncRNA-miRNA相互作用（LMI）
• lncRNA序列数据
• miRNA序列数据
• 疾病语义相似性数据

数据集被保存在压缩文件中（dataset1.rar和dataset2.rar）。

3. 模型架构

SSCLMD模型的核心架构如下：

3.1 网络结构

SSCLMD模型主要由以下几个部分组成：

1. 双图编码器：

   • 结构（拓扑）图编码器
   • 特征（属性）图编码器

2. 自监督对比学习模块：

   • 正样本对与负样本对的对比
   • 判别器用于区分真实样本和生成样本

3. 注意力机制：

   • 用于聚合来自不同图的节点表示

4. 预测解码器：

   • 多关系建模解码器，用于预测分子之间的关系

3.2 关键模型组件

模型中的核心组件包括：

• GCN层：用于图卷积神经网络的消息传递
• Attention层：用于加权聚合不同视图的特征
• Discriminator：用于自监督学习的判别器
• 多层解码器：用于关系预测

4. 训练过程

模型采用了5折交叉验证进行训练，主要包括以下步骤：

1. 数据加载和预处理
2. 构建结构图和特征图
3. 使用自监督对比学习进行节点表示学习
4. 基于学习到的表示预测分子-疾病关系

训练过程中使用的损失函数包括：

• BCEWithLogitsLoss（用于自监督对比学习）
• BCELoss（用于关系预测任务）

5. 主要参数设置

根据不同的任务类型（LDA、MDA、LMI），模型参数有所不同：

• 公共参数：

  • 批次大小：25
  • 学习率：5e-4
  • dropout率：0.5
  • 权重衰减：5e-4
  • 训练轮数：80

• 任务特定参数：

  • LDA任务：维度512，自监督损失比率1.0
  • MDA和LMI任务：维度1024，自监督损失比率0.1

6. 模型评估

模型使用以下指标进行评估：

• ROC曲线下面积（AUROC）
• PR曲线下面积（AUPRC）
• F1分数

7. 代码结构

项目代码结构清晰：

• main.py：主程序入口
• parms_setting.py：参数设置
• data_preprocess.py：数据预处理
• calculating_similarity.py：计算相似性
• data_preparation.py：数据准备
• layer.py：模型层定义
• train.py：训练和测试代码
• utils.py：工具函数

8. 环境依赖

项目依赖以下Python库：

• numpy == 1.21.1
• torch == 2.0.0+cu118
• sklearn == 0.24.1
• torch-geometric == 2.3.0

9. 项目复现步骤

1. 下载并解压数据和代码文件
2. 运行data_preparation.py和calculating_similarity.py获取lncRNA/miRNA/disease属性图和拓扑图的内边
3. 运行main.py以启动模型训练和测试
   • 对于LDA任务：设置in_file为dataset1/LDA.edgelist，neg_sample为dataset1/non_LDA.edgelist，task_type为LDA
   • 对于其他任务可以相应修改参数

10. 模型原理与创新点

SSCLMD模型的主要创新点在于：

1. 双图架构：同时利用分子的拓扑结构和属性特征
2. 自监督对比学习：无需大量标记数据，通过对比学习捕获节点表示
3. 注意力机制：动态聚合不同图中的节点表示
4. 多关系建模：通过多种关系操作（加法、乘法、拼接）捕获复杂的生物分子关系

11. 建议与改进

1. 数据扩充：可以考虑引入更多的生物信息，如蛋白质相互作用数据
2. 模型优化：可以尝试更先进的图神经网络架构，如GAT、GraphSAGE等
3. 可解释性增强：增加模型的可解释性，以便更好地理解预测结果
4. 超参数优化：使用贝叶斯优化等方法自动调整超参数

12. 总结

SSCLMD项目提供了一种新颖的计算方法，用于预测lncRNA、miRNA和疾病之间的关系。通过结合图神经网络和自监督对比学习，该方法能够有效地学习生物分子的表示，并实现高精度的关系预测。该方法在生物信息学领域具有重要的实际应用价值，可以帮助研究人员发现新的生物标志物和潜在的治疗靶点。