6165cc金沙总站检测中心院讯（通讯员：于宁）近日，生物信息领域国际重要期刊IEEE/ACM Transactions on Computational Biology and Bioinformatics在线发表我院嵇存美副教授课题组2篇学术论文。IEEE/ACM Transactions on Computational Biology and Bioinformatics是中国计算机学会（CCF）推荐的B类国际学术期刊，中科院3区，最新影响因子为3.6。

论文1：An end-to-end Deep Hybrid Autoencoder based method for single-cell RNA-Seq data analysis, Cun-Mei Ji, Ning Yu, Yu-Tian Wang, Rong Qi, Chun-Hou Zheng, 2023。该论文以6165cc金沙总站检测中心为第一完成单位，嵇存美副教授为论文第一作者，2022级研究生于宁为论文第二作者（学生第一作者）。嵇存美副教授和郑春厚教授为论文共同通讯作者。

该论文提出了一种基于图卷积神经网络的单细胞分析算法dhaSCA, 旨在学习对scRNA-seq数据中执行下游任务有用的细胞有效表示。它以细胞为节点进行建图，使用混合GCN-MLP深度自编码器捕捉细胞间的结构信息，并学习低维细胞表示。dhaSCA将单细胞数据的嵌入表示、缺失值插补和分类任务集成到统一的端到端深度学习模型中，以下游任务为约束，采用多损失监督策略对细胞结构信息和特征表示的学习过程进行监督。学到的嵌入表示既包含原始特征信息，又包含细胞间相互作用关系，还受到插补任务调节，这有助于从数据中挖掘出更丰富的信息。此外，dhaSCA对数据的分布没有任何假设，因此可以清除最大范围的噪声。在8个真实的scRNA-seq数据集上的多任务实验结果表明，dhaSCA算法在分析单细胞数据方面具有显著的优势，能够显著提升下游任务分析能力。

论文2：SGLMDA: A subgraph learning-based method for miRNA-disease association prediction, Cun-Mei Ji, Ning Yu, Yu-Tian Wang, Jian-Cheng Ni, Chun-Hou Zheng, 2024。该论文以6165cc金沙总站检测中心为第一完成单位，嵇存美副教授为论文第一作者，2022级研究生于宁为论文第二作者（学生第一作者）。嵇存美副教授和郑春厚教授为论文共同通讯作者。

论文提出了一种基于子图学习的miRNA-疾病关联预测方法SGLMDA，旨在准确推断潜在与疾病相关的miRNA。首先根据已知的miRNA-疾病关联，整合了语义、功能、序列等六种miRNA/疾病相似性进行特征提取。其次，构建miRNA-疾病异质图，并为每个miRNA-疾病样本对创建k阶子图。最后，提出了一种子图学习的模型，用于预测miRNA与特定疾病相关联。SGLMDA致力于整合局部域信息和全局结构信息，进而提取更为精确的miRNA-疾病表示，以便更好地理解和揭示它们之间的潜在关联关系。包括5折交叉验证、案例研究和消融实验在内的广泛实验结果表明该方法在预测性能上的有效性和鲁棒性。

全文链接：https://doi.org/10.1109/TCBB.2023.3328029、https://doi.org/10.1109/TCBB.2024.3373772

该研究得到了国家自然科学基金和山东省自然科学基金的资助支持。