Prediction of circrna-disease associations using deep learning models

Abstract

Dairesel RNA, kapalı döngü yapısına sahip tek iplikli bir RNA tipidir. Son yıllarda yapılan araştırmalar dairesel RNA'ların biyolojik süreçlerde çok önemli rolleri olduğunu ve insan hastalıkları ile ilişkili olduğunu ortaya koymuştur. Dairesel RNA'lar hastalık biyobelirteci ve ilaçlar için hedef molekül olabileceğinden dolayı, hastalıkların erken evrelerde saptanması ve hastalıkların tedavisinde kullanılması önem taşımaktadır. Bununla birlikte, dairesel RNA'lar ve hastalıklar arasındaki ilişkileri ortaya çıkarmak için yapılan geleneksel deneysel yöntemler zaman alıcı ve maliyetlidir. Bu sorunun üstesinden gelmek amacıyla, dairesel RNA'lar ile hastalıklar arasındaki ilişkilerin tahmininde kullanılabilecek ve dairesel RNA ve hastalıkların önemli özelliklerinin sayısal olarak temsil vektörlerinin oluşturulmasında hesaplamalı yöntemler geliştirilmektedir. Çalışmalar sonucunda hesaplamalı yöntemlerin tahminleme başarısını göstermiş ve hastalıkların hangi RNA'lar ile yüksek ihtimalle anlamlı ilişkilerinin olduğunu tespit etmeyi mümkün kıldığını göstermiştir. Aynı zamanda, modellemelerde kullanılması için dairsel RNA ve hastalıkların vektörlerinin oluşturması üzerine de çalışmalar yapılmakdır. Bu çalışma, dairesel RNA ve hastalık vektörlerini oluşturmak için birden fazla veri kaynağı kullanan, derin otomatik kodlayıcı (deep autoencoder) yardımı ile dairesel RNA-hastalık çiftlerinin saklı önemli özelliklerini düşük boyutta kodlayan ve sonrasında dairesel RNA-hastalık çiftlerinin alakalılık skorunu bir derin ileri beselemeli sinir ağı ile tahmin eden DCDA ismini verdiğimiz bir derin öğrenme tabanlı dairesel RNA-hastalık ilişkisi tahmin metodolojisi önermektedir. Bu alandaki çalışmalarda kullanılan veri setinde yaptığımız 5 katmanlı çapraz doğrulama sonuçları, modelimizin 0.9794 AUC skoru ile literatürdeki en gelişmiş tahmin yöntemlerinden daha iyi performans gösterdiğini göstermiştir.

Circular RNA is a single-stranded RNA with a closed-loop structure. In recent years, researches revealed that circular RNAs have crucial roles in biological processes and are related to human diseases. Finding out potential circRNAs as disease biomarkers and drug targets is crucial since it can lead to detecting diseases in the early stages and be used to treat humans. However, in conventional experimental methods, doing experiments to reveal associations between circular RNAs and diseases is time-consuming and costly. In order to overcome this problem, various computational methodologies are proposed to extract essential features for both circular RNAs and diseases and predict the associations. Studies showed that computational methods successfully predicted performance and made it possible to detect possible highly related circular RNAs for diseases. This study proposes a deep learning-based circRNA-disease association predictor methodology called DCDA, which uses multiple data sources to create circRNA and disease features and reveal hidden feature codings of a circular RNA-disease pair with a deep autoencoder, then predict the relation score of the pair by a deep neural network. 5-fold cross-validation results on the benchmark dataset showed that our model outperforms state-of-the-art prediction methods in the literature with the AUC score of 0.9794.