新的证据表明，环状 RNA (circRNA)可以为疾病的诊断和治疗提供新的见解和潜在的治疗靶点。然而，传统的生物学实验是昂贵和耗时的。最近，深度学习具有更强大的表示学习能力，使其成为预测疾病相关的 circRNA 的一种有前途的技术。本文主要介绍了目前最流行的与 circRNA 相关的数据库，并总结了基于深度学习的 circRNA 疾病关联预测方法的三种类型: 基于特征生成的方法、基于类型鉴别的

新的证据表明，环状 RNA (circRNA)可以为疾病的诊断和治疗提供新的见解和潜在的治疗靶点。然而，传统的生物学实验是昂贵和耗时的。最近，深度学习具有更强大的表示学习能力，使其成为预测疾病相关的 circRNA 的一种有前途的技术。本文主要介绍了目前最流行的与 circRNA 相关的数据库，并总结了基于深度学习的 circRNA 疾病关联预测方法的三种类型: 基于特征生成的方法、基于类型鉴别的

越来越多的研究证明，微小 RNA (miRNA)是影响各种疾病的不同生物过程中的重要生物标志物。作为对高成本湿实验方法的有力补充，大量的计算预测方法应运而生。然而，在有效利用高度假阴性关联和多来源信息寻找潜在关联方面仍然存在挑战。在这项工作中，我们开发了一个端到端的计算框架，称为 MHDMF，它整合了异质网络上的多源信息，发现潜伏的疾病与 miRNA 之间的关联。由于 miRNA 疾病关联中存在高

新的证据表明，环状 RNA (circRNA)可以为疾病的诊断和治疗提供新的见解和潜在的治疗靶点。然而，传统的生物学实验是昂贵和耗时的。最近，深度学习具有更强大的表示学习能力，使其成为预测疾病相关的 circRNA 的一种有前途的技术。本文主要介绍了目前最流行的与 circRNA 相关的数据库，并总结了基于深度学习的 circRNA 疾病关联预测方法的三种类型: 基于特征生成的方法、基于类型鉴别的

动机：近年来，越来越多的研究证明microRNAs（miRNAs）在人类复杂疾病的发展中起着重要作用。发现miRNAs与疾病的关系已成为疾病发现和治疗的重要组成部分。由于传统的实验方法发现关联是复杂和耗时的，许多计算方法被提出来识别潜在的关联。然而，利用多源数据准确确定miRNA与疾病之间的潜在关联仍存在挑战。结果：在本研究中，我们开发了一个多视点多通道注意图卷积网络(MMGCN)来预测潜在的mi

然后借助自然语言处理的思路，将生成的顶点序列看作由单词组成的句子，所有的序列可以看作一个大的语料库(corpus)，最后利用自然语言处理工具word2vec将每一个顶点表示为一个维度为d的向量。顶点的表示X是一个|V|×s维的矩阵，|V|表示顶点的数量，s是代表每个顶点的向量的维数（一般比较小），所以X即为将每个顶点的向量结合在一起形成的矩阵。如果在图G的基础上再加上顶点的向量表示和顶点所属的标注