El cáncer colorrectal (CCR) se sitúa como el tercer cáncer más frecuente en humanos y la segunda causa más común de mortalidad relacionada con el cáncer en los Estados Unidos. La evidencia acumulada ha establecido que los microARN (miARN) son reguladores críticos del desarrollo del cáncer y la respuesta terapéutica. Comprender las interacciones miARN-ARNm es fundamental para dilucidar los mecanismos moleculares que impulsan el CCR y otros cánceres.
Sin embargo, modelar con precisión las interacciones miARN-ARNm y sus patrones de unión sigue siendo un desafío. En este estudio, proponemos GIN-CRC-Pareto, un marco de aprendizaje multi-tarea optimizado por Pareto y basado en gráficos, que predice simultáneamente pares de unión miARN-ARNm, identifica los emparejamientos de secuencias de inicio y clasifica los subtipos de emparejamientos de secuencias de inicio. Al aprovechar el poder de las redes neuronales gráficas y la estrategia de equilibrio de gradientes optimizada por Pareto, GIN-CRC-Pareto ajustó dinámicamente los pesos de las tareas durante el entrenamiento para optimizar cada tarea sin comprometer las demás.
Los resultados experimentales demostraron que nuestro marco supera consistentemente a los modelos de aprendizaje profundo tradicionales y a las herramientas de última generación existentes en múltiples métricas de evaluación, con una precisión de 0,909, una exactitud de 0,909 y un AUC de 0,969 en la tarea de predicción de pares de unión miARN-ARNm.
Además, los experimentos de aprendizaje por transferencia en conjuntos de datos externos indican una sólida capacidad de generalización del marco para identificar las interacciones miARN-gen diana en múltiples tipos de cáncer. El marco propuesto proporciona un enfoque eficaz y escalable para la identificación exhaustiva de las interacciones miARN-gen diana en el CCR, con el potencial de servir como una herramienta escalable y generalizable en diversos tipos de cáncer, lo que en última instancia facilitará el desarrollo de terapias basadas en miARN para el tratamiento del cáncer.
Inicia sesión o regístrate para acceder al texto completo
¡Aún no hay comentarios. Sé el primero en comentar!