論文の概要: EPGAT: Gene Essentiality Prediction With Graph Attention Networks
- arxiv url: http://arxiv.org/abs/2007.09671v1
- Date: Sun, 19 Jul 2020 13:47:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 00:50:32.272479
- Title: EPGAT: Gene Essentiality Prediction With Graph Attention Networks
- Title（参考訳）: EPGAT: グラフアテンションネットワークによる遺伝子必須性予測
- Authors: Jo\~ao Schapke, Anderson Tavares, Mariana Recamonde-Mendoza
- Abstract要約: グラフ注意ネットワーク(GAT)に基づく本質性予測手法であるEPGATを提案する。
本モデルでは,PPIネットワークから遺伝子必須性のパターンを直接学習し,ノード属性として符号化されたマルチオミクスデータから追加のエビデンスを統合する。
ヒトを含む4種の生物に対するEPGATをベンチマークし、AUCスコア0.78から0.97の範囲で遺伝子本質を正確に予測した。
- 参考スコア（独自算出の注目度）: 1.1602089225841632
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The identification of essential genes/proteins is a critical step towards a
better understanding of human biology and pathology. Computational approaches
helped to mitigate experimental constraints by exploring machine learning (ML)
methods and the correlation of essentiality with biological information,
especially protein-protein interaction (PPI) networks, to predict essential
genes. Nonetheless, their performance is still limited, as network-based
centralities are not exclusive proxies of essentiality, and traditional ML
methods are unable to learn from non-Euclidean domains such as graphs. Given
these limitations, we proposed EPGAT, an approach for essentiality prediction
based on Graph Attention Networks (GATs), which are attention-based Graph
Neural Networks (GNNs) that operate on graph-structured data. Our model
directly learns patterns of gene essentiality from PPI networks, integrating
additional evidence from multiomics data encoded as node attributes. We
benchmarked EPGAT for four organisms, including humans, accurately predicting
gene essentiality with AUC score ranging from 0.78 to 0.97. Our model
significantly outperformed network-based and shallow ML-based methods and
achieved a very competitive performance against the state-of-the-art node2vec
embedding method. Notably, EPGAT was the most robust approach in scenarios with
limited and imbalanced training data. Thus, the proposed approach offers a
powerful and effective way to identify essential genes and proteins.
- Abstract（参考訳）: 必須遺伝子/タンパク質の同定は、ヒトの生物学と病理の理解を深めるための重要なステップである。
計算的アプローチは、機械学習(ML)法と生物学的情報、特にタンパク質とタンパク質の相互作用(PPI)ネットワークとの相関を探索し、必須遺伝子を予測することによって、実験的制約を軽減するのに役立った。
それでも、ネットワークベースの中心性は必須性の排他的プロキシではなく、従来のMLメソッドはグラフのような非ユークリッド領域から学べないため、パフォーマンスはまだ限られている。
これらの制約から,グラフ構造化データを操作する注目型グラフニューラルネットワーク(GNN)であるグラフ注意ネットワーク(GAT)に基づく本質性予測手法であるEPGATを提案する。
本モデルでは,PPIネットワークから遺伝子必須性のパターンを直接学習し,ノード属性として符号化されたマルチオミクスデータから追加のエビデンスを統合する。
ヒトを含む4種の生物に対するEPGATを、AUCスコアが0.78から0.97の範囲で正確に予測した。
我々のモデルは,ネットワークベースおよび浅層MLベースの手法よりも優れ,最先端の node2vec 埋め込み方式と非常に競合する性能を実現した。
特に、EPGATは限られたトレーニングデータを持つシナリオで最も堅牢なアプローチであった。
したがって、提案手法は、必須遺伝子やタンパク質を同定するための強力で効果的な方法を提供する。
関連論文リスト
- Injecting Hierarchical Biological Priors into Graph Neural Networks for Flow Cytometry Prediction [1.7709249262395883]
本研究では、単一セルのマルチクラス分類のためのグラフニューラルネットワーク(GNN)に階層的な事前知識を注入することを検討する。
本稿では,複数のGNNモデル,すなわちFCHC-GNNに適用可能な階層的なプラグイン手法を提案する。
論文 参考訳（メタデータ） (2024-05-28T18:24:16Z) - HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。
本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
論文 参考訳（メタデータ） (2024-01-18T12:47:13Z) - Predicting Infant Brain Connectivity with Federated Multi-Trajectory
GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。
我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。
フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文 参考訳（メタデータ） (2024-01-01T10:20:01Z) - An Association Test Based on Kernel-Based Neural Networks for Complex
Genetic Association Analysis [0.8221435109014762]
従来のニューラルネットワークと線形混合モデルの強度を相乗化するカーネルベースニューラルネットワークモデル(KNN)を開発した。
MINQUEに基づく遺伝子変異と表現型との結合性を評価する試験。
線形および非線形/非付加的遺伝子効果の評価と解釈のための2つの追加試験。
論文 参考訳（メタデータ） (2023-12-06T05:02:28Z) - Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳（メタデータ） (2023-10-23T01:25:44Z) - Label Deconvolution for Node Representation Learning on Large-scale
Attributed Graphs against Learning Bias [75.44877675117749]
本稿では,GNNの逆写像に対する新しい,スケーラブルな近似による学習バイアスを軽減するために,ラベルの効率的な正規化手法,すなわちラベルのデコンボリューション(LD)を提案する。
実験では、LDはOpen Graphデータセットのベンチマークで最先端のメソッドを大幅に上回っている。
論文 参考訳（メタデータ） (2023-09-26T13:09:43Z) - PIGNet2: A Versatile Deep Learning-based Protein-Ligand Interaction
Prediction Model for Binding Affinity Scoring and Virtual Screening [0.0]
タンパク質-リガンド相互作用の予測(PLI)は、薬物発見において重要な役割を果たす。
結合親和性を正確に評価し、効率的な仮想スクリーニングを行う汎用モデルの開発は依然として課題である。
本稿では、物理インフォームドグラフニューラルネットワークと組み合わせて、新しいデータ拡張戦略を導入することにより、実現可能なソリューションを提案する。
論文 参考訳（メタデータ） (2023-07-03T14:46:49Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - EEG-BBNet: a Hybrid Framework for Brain Biometric using Graph
Connectivity [1.1498015270151059]
我々は、畳み込みニューラルネットワーク(CNN)とグラフ畳み込みニューラルネットワーク(GCNN)を統合するハイブリッドネットワークであるEEG-BBNetを提案する。
我々のモデルは、イベント関連電位(ERP)タスクにおけるすべてのベースラインを、セッション内データを用いて平均99.26%の正確な認識率で上回ります。
論文 参考訳（メタデータ） (2022-08-17T10:18:22Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳（メタデータ） (2022-04-30T12:57:02Z) - Heterogeneous Graph based Deep Learning for Biomedical Network Link
Prediction [7.628651624423363]
バイオメディカルネットワークリンクを予測するためのグラフペアベースのリンク予測モデル(GPLP)を提案する。
InPでは、既知のネットワーク相互作用行列から抽出された1ホップのサブグラフを学習し、欠落リンクを予測する。
本手法は他のバイオメディカルネットワークにおける潜在的な応用を実証する。
論文 参考訳（メタデータ） (2021-01-28T07:35:29Z)
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。