A key aim of post-genomic biomedical research is to systematically understand molecules and their interactions in human cells. Multiple biomolecules coordinate to sustain life activities, and interactions between various biomolecules are interconnected. However, existing studies usually only focusing on associations between two or very limited types of molecules. In this study, we propose a network representation learning based computational framework MAN-SDNE to predict any intermolecular associations. More specifically, we constructed a large-scale molecular association network of multiple biomolecules in human by integrating associations among long non-coding RNA, microRNA, protein, drug, and disease, containing 6,528 molecular nodes, 9 kind of,105,546 associations. And then, the feature of each node is represented by its network proximity and attribute features. Furthermore, these features are used to train Random Forest classifier to predict intermolecular associations. MAN-SDNE achieves a remarkable performance with an AUC of 0.9552 and an AUPR of 0.9338 under five-fold cross-validation. To indicate the ability to predict specific types of interactions, a case study for predicting lncRNA-protein interactions using MAN-SDNE is also executed. Experimental results demonstrate this work offers a systematic insight for understanding the synergistic associations between molecules and complex diseases and provides a network-based computational tool to systematically explore intermolecular interactions.

中文翻译：

---

用于预测分子间关联的关联网络中分子的学习表示

后基因组生物医学研究的一个关键目标是系统地了解分子及其在人体细胞中的相互作用。多个生物分子相互协调以维持生命活动，各种生物分子之间的相互作用是相互联系的。然而，现有的研究通常只关注两种或非常有限类型的分子之间的关联。在这项研究中，我们提出了一种基于网络表示学习的计算框架 MAN-SDNE 来预测任何分子间关联。更具体地说，我们通过整合长链非编码RNA、microRNA、蛋白质、药物和疾病之间的关联，构建了一个包含6,528个分子节点，9种，105,546个关联的大规模人体内多个生物分子的分子关联网络。接着，每个节点的特征由其网络邻近度和属性特征表示。此外，这些特征用于训练随机森林分类器以预测分子间关联。MAN-SDNE 在五重交叉验证下取得了显着的性能，AUC 为 0.9552，AUPR 为 0.9338。为了表明预测特定类型相互作用的能力，还执行了一个使用 MAN-SDNE 预测 lncRNA-蛋白质相互作用的案例研究。实验结果表明，这项工作为理解分子与复杂疾病之间的协同关联提供了系统的见解，并提供了一种基于网络的计算工具来系统地探索分子间的相互作用。这些特征用于训练随机森林分类器来预测分子间的关联。MAN-SDNE 在五重交叉验证下取得了显着的性能，AUC 为 0.9552，AUPR 为 0.9338。为了表明预测特定类型相互作用的能力，还执行了一个使用 MAN-SDNE 预测 lncRNA-蛋白质相互作用的案例研究。实验结果表明，这项工作为理解分子与复杂疾病之间的协同关联提供了系统的见解，并提供了一种基于网络的计算工具来系统地探索分子间的相互作用。这些特征用于训练随机森林分类器来预测分子间的关联。MAN-SDNE 在五重交叉验证下取得了显着的性能，AUC 为 0.9552，AUPR 为 0.9338。为了表明预测特定类型相互作用的能力，还执行了一个使用 MAN-SDNE 预测 lncRNA-蛋白质相互作用的案例研究。实验结果表明，这项工作为理解分子与复杂疾病之间的协同关联提供了系统的见解，并提供了一种基于网络的计算工具来系统地探索分子间的相互作用。还执行了使用 MAN-SDNE 预测 lncRNA-蛋白质相互作用的案例研究。实验结果表明，这项工作为理解分子与复杂疾病之间的协同关联提供了系统的见解，并提供了一种基于网络的计算工具来系统地探索分子间的相互作用。还执行了使用 MAN-SDNE 预测 lncRNA-蛋白质相互作用的案例研究。实验结果表明，这项工作为理解分子与复杂疾病之间的协同关联提供了系统的见解，并提供了一种基于网络的计算工具来系统地探索分子间的相互作用。