論文の概要: Graph Convolution Networks Using Message Passing and Multi-Source
Similarity Features for Predicting circRNA-Disease Association
- arxiv url: http://arxiv.org/abs/2009.07173v1
- Date: Tue, 15 Sep 2020 15:22:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 05:39:39.930583
- Title: Graph Convolution Networks Using Message Passing and Multi-Source
Similarity Features for Predicting circRNA-Disease Association
- Title（参考訳）: メッセージパッシングとマルチソース類似機能を用いたcircRNA-disease Association予測のためのグラフ畳み込みネットワーク
- Authors: Thosini Bamunu Mudiyanselage, Xiujuan Lei, Nipuna Senanayake, Yanqing
Zhang, Yi Pan
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.423563861462909
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graphs can be used to effectively represent complex data structures. Learning
these irregular data in graphs is challenging and still suffers from shallow
learning. Applying deep learning on graphs has recently showed good performance
in many applications in social analysis, bioinformatics etc. A message passing
graph convolution network is such a powerful method which has expressive power
to learn graph structures. Meanwhile, circRNA is a type of non-coding RNA which
plays a critical role in human diseases. Identifying the associations between
circRNAs and diseases is important to diagnosis and treatment of complex
diseases. However, there are limited number of known associations between them
and conducting biological experiments to identify new associations is time
consuming and expensive. As a result, there is a need of building efficient and
feasible computation methods to predict potential circRNA-disease associations.
In this paper, we propose a novel graph convolution network framework to learn
features from a graph built with multi-source similarity information to predict
circRNA-disease associations. First we use multi-source information of circRNA
similarity, disease and circRNA Gaussian Interaction Profile (GIP) kernel
similarity to extract the features using first graph convolution. Then we
predict disease associations for each circRNA with second graph convolution.
Proposed framework with five-fold cross validation on various experiments shows
promising results in predicting circRNA-disease association and outperforms
other existing methods.
- Abstract（参考訳）: グラフは複雑なデータ構造を効果的に表現するために使用できる。
これらの不規則なデータをグラフで学ぶのは困難であり、浅い学習に苦しむ。
グラフにディープラーニングを適用することで、社会分析やバイオインフォマティクスなど、多くのアプリケーションで優れたパフォーマンスが得られている。
メッセージパッシンググラフ畳み込みネットワークは、グラフ構造を学ぶための表現力を持つ強力な方法である。
一方、circRNAはヒト疾患において重要な役割を果たす非コードRNAの一種である。
複雑な疾患の診断と治療には、circRNAと疾患の関連が重要である。
しかし、それらの間には既知の協会が限られており、新しい協会を特定するための生物学的実験は時間と費用がかかる。
その結果, 循環RNA放出関連性を予測するために, 効率的かつ実現可能な計算手法を構築する必要がある。
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関連性を予測する新しい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。
まず、第1のグラフ畳み込みを用いた特徴抽出のために、circRNAの類似性、疾患、およびcircRNA Gaussian Interaction Profile(GIP)カーネルの類似性のマルチソース情報を用いる。
次に、第2のグラフ畳み込みによる各 circRNA の疾患関連を予測した。
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アソシエーションを予測し、他の既存手法より優れていることを示す。
関連論文リスト
- Balanced Graph Structure Information for Brain Disease Detection [6.799894169098717]
グラフ畳み込みネットワーク(GCN)を用いたフィルタ相関行列と最適サンプルグラフの2つのグラフ構造をモデル化したBargrainを提案する。
我々の広範な実験に基づいて、Bargrainは、平均的なF1スコアによって測定された脳疾患データセットの分類タスクにおいて、最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2023-12-30T06:50:52Z) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-01-14T15:07:43Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - MuCoMiD: A Multitask Convolutional Learning Framework for miRNA-Disease
Association Prediction [0.4061135251278187]
本稿では, MuCoMiD と呼ぶ新しいマルチタスク畳み込み方式を提案する。
MuCoMiDは、4つの異種生物情報ソースからの知識を取り入れつつ、自動特徴抽出を可能にする。
我々は、標準ベンチマークデータセットに関する大規模な実験と、より大規模な独立したテストセットとケーススタディを構築した。
MuCoMiDは、HMDDv2.0とHMDDv3.0データセットで5倍のCV評価を少なくとも5%改善し、最先端のアプローチよりも、目に見えない病気や目に見えない病気を持つ大規模独立テストセットで少なくとも49%改善した。
論文 参考訳（メタデータ） (2021-08-08T10:01:46Z) - AMA-GCN: Adaptive Multi-layer Aggregation Graph Convolutional Network
for Disease Prediction [20.19380805655623]
空間分布に応じて適切な表現型尺度を自動的に選択するエンコーダを提案する。
また,多層アグリゲーション機構を用いた新しいグラフ畳み込みネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-06-16T12:13:23Z) - GKD: Semi-supervised Graph Knowledge Distillation for Graph-Independent
Inference [41.348451615460796]
本稿では,知識蒸留に基づく新しい半教師付き手法GKDを提案する。
自閉症スペクトラム障害の診断のための2つの公開データセットとアルツハイマー病に関する実験を行う。
これらの実験によると、GKDは従来のグラフベースのディープラーニング手法よりも精度、AUC、マクロF1で優れている。
論文 参考訳（メタデータ） (2021-04-08T08:23:37Z) - Graph Contrastive Learning with Augmentations [109.23158429991298]
グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。
我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
論文 参考訳（メタデータ） (2020-10-22T20:13:43Z) - Deep Belief Network based representation learning for lncRNA-disease
association prediction [0.0]
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。
論文 参考訳（メタデータ） (2020-06-22T18:05:28Z) - Uncovering the Folding Landscape of RNA Secondary Structure with Deep
Graph Embeddings [71.20283285671461]
このようなグラフ埋め込みを学習するための幾何散乱オートエンコーダ(GSAE)ネットワークを提案する。
我々の埋め込みネットワークは、最近提案された幾何散乱変換を用いて、まずリッチグラフ特徴を抽出する。
GSAEは、構造とエネルギーの両方でRNAグラフを整理し、ビスタブルRNA構造を正確に反映していることを示す。
論文 参考訳（メタデータ） (2020-06-12T00:17:59Z) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳（メタデータ） (2020-02-26T17:10:48Z)
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。