Predikce asociací mezi cirkulárními RNA a nemocemi

Abstract

V posledních letech se svět nekódujících RNA rozšířil a odhalil význam dříve málo prozkoumané třídy molekul – cirkulárních RNA (circRNA). Ukazují potenciál jako biomarkery v diagnostice onemocnění, například pro diabetes, Alzheimerovu chorobu a řadu typů rakoviny, protože vykazují různé úrovně exprese při srovnání transkriptomu nemocných a zdravých subjektů, mají dlouhý polčas rozpadu a jsou konzervované. Experimentální stanovení asociací mezi circRNA a nemocemi je však pracný úkol. Z tohoto důvodu se výpočetní přístup jeví jako vhodná alternativa. Tato práce formuluje problém predikce circRNA a asociace nemocí jako úlohu predikce spojení na grafu s uzly reprezentujícími cirkulární RNA, nemoci, miRNA a geny, přičemž hranny ilustrují asociace a interakce mezi těmito entitami. Pro řešení úlohy byl navržen a implementován grafový model neuronové sítě založený na reprezentačním výukovém rámci GraphSAGE. Práce dochází k závěru, že grafové neuronové sítě jsou ve srovnání s ostatními metodami vhodným přístupem pro predikci asociací mezi cirkulárními RNA a nemocemi.

In recent years, the world of non-coding RNAs has expanded to reveal the significance of a previously little explored class of molecules – circular RNAs (circRNAs). They show potential as biomarkers in disease diagnosis, for example for diabetes, Alzheimer’s disease and numerous types of cancer, since they exhibit different expression levels when comparing transcriptome of diseased and healthy subjects, have long half-life and are conserved. However, determining associations between circRNAs and diseases experimentally is a laborious task. For that reason, the computational approach stands out as a suitable alternative. This work formulates the problem of a circRNA and disease association prediction as a link prediction task on a graph with nodes representing circRNAs, diseases, miRNAs and genes, with the edges illustrating associations and interactions between these entities. A graph neural network model based on a GraphSAGE representation learning framework was designed and implemented to solve the task. The thesis concludes that graph neural networks are, in comparison with the other methods, a suitable approach for prediction of associations between circular RNAs and diseases.