在生命科學領域，microRNA(miRNA)作為調控基因表達的非編碼RNA，其異常表達與癌癥、心血管疾病等復雜疾病密切相關。然而，生物網絡的動態性、數據噪聲和異質性特征，使得傳統計算方法難以準確捕捉miRNA-疾病關聯�，F有機器學習模型往往忽視結構信息冗余問題，且多視圖特征融合效率低下，制約了疾病標志物的發現效率。

針對這些挑戰，中國研究人員開發了多視圖門控變分信息瓶頸網絡(MIBNet)。該研究創新性地將門控機制與信息瓶頸理論結合，通過收縮門和擴張門動態調節特征流，有效過濾生物網絡中的噪聲。模型整合了miRNA的功能相似性、語義相似性和高斯相互作用核相似性，以及疾病的DAG語義特征，構建異質生物網絡進行多尺度表征學習。

關鍵技術包括：1) 門控變分信息瓶頸實現特征選擇與增強；2) 多視圖注意力機制融合功能、語義等異構特征；3) 基于HMDD v2.0/v3.2臨床驗證數據集，采用五折交叉驗證評估性能。

【數據表示】部分顯示，模型通過DAG(有向無環圖)計算疾病語義相似度，并采用高斯交互核(GIP)處理網絡拓撲特征。實驗證明這種多視圖表征能有效克服單一視角偏差。

【實驗設置】在HMDD數據集上的測試表明，MIBNet的AUC值顯著優于對比模型。消融實驗驗證了門控機制和信息瓶頸對性能提升的貢獻率分別達到12.7%和9.3%。

結論指出，該研究首次將門控機制引入信息瓶頸框架，通過動態特征選擇解決了生物網絡中的信息冗余問題。相比傳統方法，模型在保持83.6%計算效率的同時，將預測準確率提高15.2%。這項工作不僅為復雜疾病相關miRNA預測提供了新范式，其門控變分架構對其它生物網絡分析任務也具有借鑒價值。

討論部分強調，未來可擴展模型到lncRNA-蛋白質互作預測等領域。研究獲得國家自然科學基金(62403437等)支持，相關成果發表于《Engineering Applications of Artificial Intelligence》，為智能醫療發展提供了重要方法論參考。