学位论文简介

微小RNA（MicroRNA，miRNA）在基因调控及肿瘤进展中具有关键作用，其异常表达与协同失衡是疾病演化的重要分子基础。为揭示其调控机制及协同模式，本文围绕分子互作预测、协同机制解析、跨条件交互建模与多组学生存预测构建了递进式研究体系，提出多种融合深度学习与图建模的计算框架，系统解析miRNA介导的调控机制在复杂疾病中的功能作用。主要创新成果如下：

(1) 基础分子互作建模。针对现有miRNA-靶标相互作用预测方法难以同时建模序列与调控网络特征的问题，提出了一种融合序列与网络双模态信息的混合深度学习方法MiRGraph，结合CNN、Transformer建模全序列信息以缓解信息缺失并协同捕捉局部和全局长程依赖，利用HGT方法学习异构调控网络中的上下文信息，以实现高精度的miRNA–靶基因关系预测。

(2) 协同调控模式识别。针对现有研究大多聚焦于无疾病特异的通用miRNA协同网络构建或特定疾病的miRNA模块识别，尚缺乏在多疾病情境下统一建模miRNA协同作用的能力，也难以扩展至大规模协同对识别任务。为系统探索miRNA间的协同调控机制及其在不同疾病背景下的调控规律，提出了基于多视角信息学习的张量补全方法miRCom，以miRNA-miRNA-疾病三阶张量统一建模多疾病下miRNA间的协同模式，并引入多源相似度矩阵与张量因子耦合分解以缓解原始张量的高度稀疏性。该方法为多疾病条件下miRNA协同机制的系统建模提供了新的计算范式。

(3) 高阶跨条件关系泛化。进一步将多疾病背景下的miRNA–miRNA协同建模范式推广至更一般的跨条件交互建模问题，并针对现有张量模型难以同时刻画多线性与非线性依赖的局限，提出了一种面向一般A-A-B三元范式的方法ConvNTC，统一建模同类分子在多条件下的共享表示与条件特异交互模式，为多层次生物网络分析提供了通用解决方案。该方法通过创新耦合多约束张量分解与CNN-FastKAN非线性学习，兼顾了张量低秩结构与非线性依赖。

(4) 多组学生存预测建模。进一步将miRNA介导的协同调控机制引入癌症风险预测，实现从分子交互到生存预测的系统层建模。针对现有癌症预后模型在多源信息融合与网络结构建模方面的不足，提出了一种ceRNA网络引导与亚型感知的多组学对比框架LaCONIC，实现网络先验、组学表征及亚型信息与生存风险的协同建模。引入跨组学对齐交互及亚型感知约束，在提升预测性能的同时增强潜在表征的可分性与可解释性。

主要学术成果

[1] Pei Liu, Xiao Liang, Yue Li*, Jiawei Luo*. ConvNTC: convolutional neural tensor completion for detecting “A–A–B” type biological triplets[J]. Briefings in Bioinformatics, 2025, 26(4): bbaf372. (CCF B类期刊, SCI 2区, 第一作者)

[2] Pei Liu, Ying Liu, Jiawei Luo*, Yue Li*. MiRGraph: A hybrid deep learning approach to identify microRNA-target interactions by integrating heterogeneous regulatory network and genomic sequences[C]. 2024 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). IEEE, 2024: 1028-1035. (CCF B类会议, EI, 第一作者)

[3] Pei Liu, Jiawei Luo*, Xiangtao Chen. miRCom: tensor completion integrating multi-view information to deduce the potential disease-related miRNA-miRNA pairs[J]. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 2020, 19(3): 1747-1759. (CCF B类期刊, SCI 3区, 第一作者)

[4] Pei Liu, Xiao Liang, Jiawei Luo*. LaCONIC: A Label-Aware and Graph-Guided Contrastive Multi-Omics Collaborative Learning Model for Cancer Risk Prediction. (bioRxiv, 10.1101/2025.11.26.690662, 第一作者)

[5] Xiao Liang, Pei Liu, Li Xue, Baiyun Chen, Wei Liu, Wanwan Shi, Yongwang Wang, Xiangtao Chen, Jiawei Luo*. A multi-modality and multi-granularity collaborative learning framework for identifying spatial domains and spatially variable genes[J]. Bioinformatics, 2024, 40(10): btae607. 18(6): 2535-2545 (CCF B类期刊, SCI 3区)

[6] Zhaoyang Sun, Ying Liu, Pei Liu, Wanwan Shi, Jiawei Luo*. scSRL: Siamese Representation Learning-based method for analyzing single-cell RNA-seq data[C]. 2023 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). IEEE, 2023: 636-641. (CCF B类会议，EI)

[7] Jiawei Luo*, Yi Liu, Pei Liu, Zihan Lai, Hao Wu. Data integration using tensor decomposition for the prediction of miRNA-disease associations[J]. IEEE Journal of Biomedical and Health Informatics, 2021, 26(5): 2370-2378. (CCF C类期刊, IF= 6.8, SCI 2区)

[8] Jiawei Luo*, Zihan Lai, Cong Shen, Pei Liu, Heyuan Shi. Graph attention mechanism-based deep tensor factorization for predicting disease-associated miRNA-miRNA pairs[C]. 2021 IEEE International Conference on Bioinformatics and Biomedicine (BIBM). IEEE, 2021: 189-196. (CCF B类会议)