Una red neuronal de grafos heterogéneos informada biológicamente para la predicción multitarea de las interacciones entre ncRNA, metástasis y cáncer.

La metástasis implica interacciones moleculares dependientes del contexto, en las que los ARN no codificantes, en particular los microARN y los circARN, desempeñan funciones reguladoras importantes.

Sin embargo, los enfoques computacionales existentes generalmente no representan conjuntamente el tipo de cáncer, el evento metastásico y el contexto metastásico específico del cáncer. Desarrollamos una red neuronal de grafos heterogénea y consciente del contexto para múltiples tareas (GNN) para predecir las asociaciones de los ARN no codificantes con los tipos de cáncer y los eventos metastásicos. El marco de trabajo integra múltiples repositorios biológicos en un grafo heterogéneo que representa los ARN no codificantes, los cánceres, los tipos de eventos metastásicos (MET) y las instancias metastásicas específicas del cáncer (CSMI). El modelo realiza seis tareas de predicción de enlaces utilizando un codificador jerárquico basado en transformadores y un decodificador TuckER multirrelacional.

En diez ejecuciones inicializadas de forma independiente y evaluadas en el conjunto de pruebas independiente RNA-group-disjoint, el modelo logró un AUROC global de 0,8801 {+/-} 0,0118 y una puntuación F1 de 0,8260 {+/-} 0,0071. Las tres variantes de ablación arrojaron un AUROC más bajo, con la mayor reducción en el entrenamiento de tareas independientes. Los estudios de caso en cáncer de páncreas, cáncer colorrectal y carcinoma hepatocelular proporcionaron, respectivamente, evidencia a nivel de enfermedad, a nivel de evento y basada en la expresión para las asociaciones candidatas de mayor rango. El marco de trabajo permite la priorización específica del contexto de las asociaciones entre ARN no codificantes, cáncer y metástasis para la evaluación experimental.