論文の概要: SkipGNN: Predicting Molecular Interactions with Skip-Graph Networks
- arxiv url: http://arxiv.org/abs/2004.14949v2
- Date: Wed, 9 Dec 2020 18:31:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 05:34:53.858498
- Title: SkipGNN: Predicting Molecular Interactions with Skip-Graph Networks
- Title（参考訳）: SkipGNN: スキップグラフネットワークによる分子相互作用予測
- Authors: Kexin Huang, Cao Xiao, Lucas Glass, Marinka Zitnik, Jimeng Sun
- Abstract要約: 分子間相互作用の予測のためのグラフニューラルネットワークSkipGNNを提案する。
SkipGNNは直接相互作用からの情報だけでなく、二階相互作用からも情報を収集することで分子間相互作用を予測する。
また,SkipGNNは,既存の手法を最大28.8%上回り,優れた,堅牢な性能を実現していることを示す。
- 参考スコア（独自算出の注目度）: 70.64925872964416
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Molecular interaction networks are powerful resources for the discovery. They
are increasingly used with machine learning methods to predict biologically
meaningful interactions. While deep learning on graphs has dramatically
advanced the prediction prowess, current graph neural network (GNN) methods are
optimized for prediction on the basis of direct similarity between interacting
nodes. In biological networks, however, similarity between nodes that do not
directly interact has proved incredibly useful in the last decade across a
variety of interaction networks. Here, we present SkipGNN, a graph neural
network approach for the prediction of molecular interactions. SkipGNN predicts
molecular interactions by not only aggregating information from direct
interactions but also from second-order interactions, which we call skip
similarity. In contrast to existing GNNs, SkipGNN receives neural messages from
two-hop neighbors as well as immediate neighbors in the interaction network and
non-linearly transforms the messages to obtain useful information for
prediction. To inject skip similarity into a GNN, we construct a modified
version of the original network, called the skip graph. We then develop an
iterative fusion scheme that optimizes a GNN using both the skip graph and the
original graph. Experiments on four interaction networks, including drug-drug,
drug-target, protein-protein, and gene-disease interactions, show that SkipGNN
achieves superior and robust performance, outperforming existing methods by up
to 28.8\% of area under the precision recall curve (PR-AUC). Furthermore, we
show that unlike popular GNNs, SkipGNN learns biologically meaningful
embeddings and performs especially well on noisy, incomplete interaction
networks.
- Abstract（参考訳）: 分子相互作用ネットワークは発見のための強力な資源である。
それらは、生物学的に意味のある相互作用を予測する機械学習手法でますます使われています。
グラフの深層学習は予測能力を劇的に向上させてきたが、現在のグラフニューラルネットワーク(GNN)手法は相互作用ノード間の直接的類似性に基づいて予測に最適化されている。
しかし、生体ネットワークでは、直接相互作用しないノード間の類似性は、様々な相互作用ネットワークで過去10年間に非常に有用であることが証明されている。
本稿では,分子間相互作用の予測のためのグラフニューラルネットワークSkipGNNを提案する。
SkipGNNは直接相互作用から情報を集めるだけでなく、2階相互作用から分子間相互作用を予測する。
既存のGNNとは対照的に、SkipGNNは2ホップの隣人や通信ネットワークのすぐ隣人からニューラルメッセージを受信し、非線形変換して予測に有用な情報を得る。
GNNにスキップ類似性を注入するために、スキップグラフと呼ばれる元のネットワークの修正版を構築した。
次に、スキップグラフと元のグラフの両方を用いてGNNを最適化する反復融合方式を開発する。
薬物・薬物・薬物・タンパク質・遺伝子・酵素相互作用を含む4つの相互作用ネットワークの実験により、skipgnnは、精密リコール曲線(pr-auc)下の領域の最大28.8\%で既存の方法よりも優れ、堅牢な性能を達成していることが示された。
さらに、一般的なGNNとは異なり、SkipGNNは生物学的に意味のある埋め込みを学び、特にノイズや不完全な相互作用ネットワークでよく機能することを示す。
関連論文リスト
- PROXI: Challenging the GNNs for Link Prediction [3.8233569758620063]
本稿では,グラフと属性空間の両方におけるノードペアの近接情報を活用するPROXIを紹介する。
標準機械学習(ML)モデルは競争力があり、最先端のGNNモデルよりも優れています。
ProXIによる従来のGNNの拡張はリンク予測性能を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2024-10-02T17:57:38Z) - Information Flow in Graph Neural Networks: A Clinical Triage Use Case [49.86931948849343]
グラフニューラルネットワーク(GNN)は、マルチモーダルグラフとマルチリレーショナルグラフを処理する能力によって、医療やその他の領域で人気を集めている。
GNNにおける埋め込み情報のフローが知識グラフ(KG)におけるリンクの予測に与える影響について検討する。
以上の結果から,ドメイン知識をGNN接続に組み込むことで,KGと同じ接続を使用する場合や,制約のない埋め込み伝搬を行う場合よりも優れた性能が得られることが示された。
論文 参考訳（メタデータ） (2023-09-12T09:18:12Z) - From Node Interaction to Hop Interaction: New Effective and Scalable
Graph Learning Paradigm [25.959580336262004]
本稿では,制約に同時に対処する新しいホップ相互作用パラダイムを提案する。
中心となる考え方は、ノード間のインタラクションターゲットを、各ノード内で事前処理されたマルチホップ機能に変換することである。
グラフの幅広い領域、スケール、滑らかさにおいて、12のベンチマークデータセットに対して広範な実験を行う。
論文 参考訳（メタデータ） (2022-11-21T11:29:48Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳（メタデータ） (2022-07-06T10:01:46Z) - Discovering the Representation Bottleneck of Graph Neural Networks from
Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。
最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。
科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文 参考訳（メタデータ） (2022-05-15T11:38:14Z) - Structure-aware Interactive Graph Neural Networks for the Prediction of
Protein-Ligand Binding Affinity [52.67037774136973]
薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。
近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。
ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
論文 参考訳（メタデータ） (2021-07-21T03:34:09Z) - Visualizing Graph Neural Networks with CorGIE: Corresponding a Graph to
Its Embedding [16.80197065484465]
本稿では,入力グラフをノード埋め込み(潜時空間)に対応付ける手法を提案する。
我々はCorGIEと呼ばれるインタラクティブなマルチビューインタフェースを開発し、抽象化をインスタンス化する。
我々はCorGIEを2つの利用シナリオで利用し、GNNの専門家2人とケーススタディを行う。
論文 参考訳（メタデータ） (2021-06-24T08:59:53Z) - Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。
本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。
このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
論文 参考訳（メタデータ） (2020-02-10T06:43:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。