一种基于博弈优化与多视角表征学习的可解释miRNA-疾病关联的预测方法

本发明公开了一种基于博弈优化与多视角表征学习的可解释miRNA‑疾病关联的预测方法，其过程包含如下步骤：首先，GMIMDA使用相似性网络融合技术(SNF)分别融合miRNA和疾病的多源相似性信息，并通过带权重缩放的奇异值分解(SVD‑WS)、非负矩阵分解(NMF)以及图卷积神经网络(GCN)获取线性、非线性及图结构等多视角表征。其次，图信息被用于博弈论中miRNA和疾病的初始策略，以增强不同实体间的交互。随后，基于纳什均衡优化该策略，以获得最优策略。最后，融合线性、非线性和最优策略的表示，输入具有可解释性的KAN神经网络中进行关联预测。GMIMDA不仅有效融合了多视角信息，有效建模miRNA和疾病的相互作用，同时提高了模型的可解释性；模型评估：使用受试者工作特征(ROC)曲线下面积(AUC)、精度/召回率(PR)曲线下面积(AUPR)、ACCURACY、马修斯相关系数(MCC)和F1‑SCORE共5个评价指标来评估模型的预测性能。