(资料图)
早些时候对circRNA-disease相关的数据库以及方法进行过盘点，虽然预测工具众多（>67个），然而对用户非常不友好。
详情请访问：circRNA-disease数据库与计算工具盘点
2023年8月16日，西安交通大学付来义团队发表在Briefings in Bioinformatics （IF=）的文章【KGETCDA: an efficient representation learning framework based on knowledge graph encoder from transformer for predicting circRNA-disease associations 】打破了这个尴尬的局面。
研究团队开发了一个用于预测 circRNA-disease关系的深度学习方法 KGETCDA(Knowledge Graph Encoder from Transformer for predicting CircRNA-Disease Associations)。整合了10多个非编码疾病关系数据库，构建了circRNA、miRNA、lncRNA与疾病的关系数据集，根据该数据集构建了生物学知识图；然后构建了Transformer（继CNN和RNN之后又一个高效的特征提取器）知识提取图层，精确地捕获高阶的交互信息；最后多层感知器被用来预测circRNA-disease associations(CDAs)。
经过评估，KGETCDA比其他最新的方法性能都要优越。
最后，为了让大家享受到自己的研究成果，作者还开发了一个用户友好的网络平台HNRBase（网址：/KGETCDA）。下图展示了网络平台的一些功能。
关键词：
