論文の概要: Deep Belief Network based representation learning for lncRNA-disease association prediction

• arxiv url: http://arxiv.org/abs/2006.12534v1
• Date: Mon, 22 Jun 2020 18:05:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 05:48:17.300464
• Title: Deep Belief Network based representation learning for lncRNA-disease association prediction
• Title（参考訳）: lncrna-disease関連予測のためのdeep belief networkに基づく表現学習
• Authors: Manu Madhavan and Gopakumar G
• Abstract要約: lncRNA-解離関連を正確に同定することは、lncRNAの機能と疾患機構を理解するのに不可欠である。 近年,生物学的ネットワーク解析において,ネットワーク特徴の潜在表現を学習するために,ディープ信頼ネットワーク (DBN) が用いられている。 本稿では,DBNをベースとしたlncRNA-解離関連予測モデル(DBNLDA)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: The expanding research in the field of long non-coding RNAs(lncRNAs) showed abnormal expression of lncRNAs in many complex diseases. Accurately identifying lncRNA-disease association is essential in understanding lncRNA functionality and disease mechanism. There are many machine learning techniques involved in the prediction of lncRNA-disease association which use different biological interaction networks and associated features. Feature learning from the network structured data is one of the limiting factors of machine learning-based methods. Graph neural network based techniques solve this limitation by unsupervised feature learning. Deep belief networks (DBN) are recently used in biological network analysis to learn the latent representations of network features. Method: In this paper, we propose a DBN based lncRNA-disease association prediction model (DBNLDA) from lncRNA, disease and miRNA interactions. The architecture contains three major modules-network construction, DBN based feature learning and neural network-based prediction. First, we constructed three heterogeneous networks such as lncRNA-miRNA similarity (LMS), disease-miRNA similarity (DMS) and lncRNA-disease association (LDA) network. From the node embedding matrices of similarity networks, lncRNA-disease representations were learned separately by two DBN based subnetworks. The joint representation of lncRNA-disease was learned by a third DBN from outputs of the two subnetworks mentioned. This joint feature representation was used to predict the association score by an ANN classifier. Result: The proposed method obtained AUC of 0.96 and AUPR of 0.967 when tested against standard dataset used by the state-of-the-art methods. Analysis on breast, lung and stomach cancer cases also affirmed the effectiveness of DBNLDA in predicting significant lncRNA-disease associations.
• Abstract（参考訳）: 背景: 長い非コードRNA(lncRNA)の分野での研究は、多くの複雑な疾患において、lncRNAの異常な発現を示した。 lncRNA-解離関連を正確に同定することは、lncRNAの機能と疾患機構を理解するのに不可欠である。 異なる生物学的相互作用ネットワークと関連する特徴を利用するlncRNA-disease associationの予測には、多くの機械学習技術が関与している。 ネットワーク構造データからの特徴学習は、機械学習ベースの手法の制限要因の1つである。 グラフニューラルネットワークに基づく技術は、教師なしの特徴学習によってこの制限を解決する。 近年,生物学的ネットワーク解析において,ネットワーク特徴の潜在表現を学習するためにDBNが用いられている。 方法:本論文では,lncRNA,病因およびmiRNA相互作用からDBNに基づくlncRNA-解離相関予測モデル(DBNLDA)を提案する。 このアーキテクチャには、ネットワーク構築、DBNベースの特徴学習、ニューラルネットワークベースの予測の3つの主要なモジュールが含まれている。 まず、lncRNA-miRNA類似性(LMS)、疾患-miRNA類似性(DMS)、lncRNA-disease association(LDA)の3つの異種ネットワークを構築した。 類似性ネットワークのノード埋め込み行列から,2つのDBNサブネットワークにより,lncRNA-解離表現を別々に学習した。 lncRNA-解離の合同表現は、前述の2つのサブネットの出力から第3のDBNによって学習された。 この結合特徴表現は、ANN分類器による相関スコアの予測に用いられた。 結果: 提案手法は, 最先端手法を用いた標準データセットに対して, 0.967のAUCと0.967のAUPRを得た。 また, 乳がん, 肺がん, 胃癌症例においても, 重要なlncRNA分解関連を予測できるDBNLDAの有効性が確認された。

関連論文リスト

• Gene Regulatory Network Inference from Pre-trained Single-Cell Transcriptomics Transformer with Joint Graph Learning [10.44434676119443]
  単一細胞RNAシークエンシング(scRNA-seq)データから遺伝子制御ネットワーク(GRN)を推定することは複雑である。 本研究では,単一セルBERTを用いた事前学習型トランスモデル(scBERT)を活用することで,この問題に対処する。 本稿では,単一セル言語モデルによって学習されたリッチな文脈表現と,GRNで符号化された構造化知識を組み合わせた,新しい共同グラフ学習手法を提案する。
  論文  参考訳（メタデータ） (2024-07-25T16:42:08Z)
• BEACON: Benchmark for Comprehensive RNA Tasks and Language Models [60.02663015002029]
  本稿では、最初の包括的なRNAベンチマークBEACON(textbfBEnchmtextbfArk for textbfCOmprehensive RtextbfNA Task and Language Models)を紹介する。 まずBEACONは、構造解析、機能研究、工学的応用を網羅した、これまでの広範囲にわたる研究から導かれた13のタスクから構成される。 第2に、CNNのような従来のアプローチや、言語モデルに基づく高度なRNA基盤モデルなど、さまざまなモデルについて検討し、これらのモデルのタスク固有のパフォーマンスに関する貴重な洞察を提供する。 第3に、重要なRNA言語モデルコンポーネントについて検討する。
  論文  参考訳（メタデータ） (2024-06-14T19:39:19Z)
• LncRNA-disease association prediction method based on heterogeneous information completion and convolutional neural network [9.17998537192211]
  lncRNA-disease associations (LDAs) の精度は、疾患の警告と治療に非常に重要である。 本稿では, HCNNLDA と命名されたlncRNA-解離関連予測に対して, 異種ネットワークと畳み込みニューラルネットワーク(CNN)に基づくディープラーニングモデルを提案する。 実験結果から,提案モデルがいくつかの最新の予測モデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-06-02T06:11:27Z)
• Structured Neural Networks for Density Estimation and Causal Inference [15.63518195860946]
  ニューラルネットワークに構造を注入することで、入力のサブセットに関する不変性を満たす学習機能を実現することができる。 本稿では,ニューラルネットワークのマスキング経路を通じて構造を注入する構造ニューラルネットワーク(StrNN)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T20:15:05Z)
• RDesign: Hierarchical Data-efficient Representation Learning for Tertiary Structure-based RNA Design [65.41144149958208]
  本研究では,データ駆動型RNA設計パイプラインを体系的に構築することを目的とする。 我々は、ベンチマークデータセットを作成し、複雑なRNA第三次構造を表現するための包括的な構造モデリングアプローチを設計した。 RNA設計プロセスを容易にするために,塩基対を持つ抽出二次構造体を事前知識として組み込んだ。
  論文  参考訳（メタデータ） (2023-01-25T17:19:49Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• FF-NSL: Feed-Forward Neural-Symbolic Learner [70.978007919101]
  本稿では,Feed-Forward Neural-Symbolic Learner (FF-NSL) と呼ばれるニューラルシンボリック学習フレームワークを紹介する。 FF-NSLは、ラベル付き非構造化データから解釈可能な仮説を学習するために、Answer Setセマンティクスに基づく最先端のICPシステムとニューラルネットワークを統合する。
  論文  参考訳（メタデータ） (2021-06-24T15:38:34Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Classification of Long Noncoding RNA Elements Using Deep Convolutional Neural Networks and Siamese Networks [17.8181080354116]
  この論文は、cRNA配列を分類するために、ディープ畳み込みニューラルネットワーク(CNN)の新たな手法を提案する。 その結果、CNNベースの分類モデルにより効率よく解ける画像分類プロブレムに、クラスサイズRNA配列を変換する。
  論文  参考訳（メタデータ） (2021-02-10T17:26:38Z)
• Graph Convolution Networks Using Message Passing and Multi-Source Similarity Features for Predicting circRNA-Disease Association [5.423563861462909]
  本稿では,複数ソースの類似性情報を用いて構築されたグラフから特徴を学習し,循環RNA関連性を予測するグラフ畳み込みネットワークフレームワークを提案する。 種々の実験で5倍のクロスバリデーションが提案されたフレームワークは、circRNA-disease associationの予測に有望な結果を示している。
  論文  参考訳（メタデータ） (2020-09-15T15:22:42Z)

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。