論文の概要: Predicting Biomedical Interactions with Higher-Order Graph Convolutional
Networks
- arxiv url: http://arxiv.org/abs/2010.08516v1
- Date: Fri, 16 Oct 2020 17:16:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 21:31:09.529253
- Title: Predicting Biomedical Interactions with Higher-Order Graph Convolutional
Networks
- Title（参考訳）: 高次グラフ畳み込みネットワークによるバイオメディカル相互作用の予測
- Authors: Kishan KC, Rui Li, Feng Cui, Anne Haake
- Abstract要約: 本稿では,生物医学的相互作用予測のための高次グラフ畳み込みネットワーク(HOGCN)を提案する。
タンパク質-タンパク質、薬物-ドラッグ、薬物-ターゲット、遺伝子-放出相互作用を含む4つの相互作用ネットワークの実験は、HOGCNがより正確で校正された予測を達成していることを示している。
- 参考スコア（独自算出の注目度）: 2.9488233765621295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Biomedical interaction networks have incredible potential to be useful in the
prediction of biologically meaningful interactions, identification of network
biomarkers of disease, and the discovery of putative drug targets. Recently,
graph neural networks have been proposed to effectively learn representations
for biomedical entities and achieved state-of-the-art results in biomedical
interaction prediction. These methods only consider information from immediate
neighbors but cannot learn a general mixing of features from neighbors at
various distances. In this paper, we present a higher-order graph convolutional
network (HOGCN) to aggregate information from the higher-order neighborhood for
biomedical interaction prediction. Specifically, HOGCN collects feature
representations of neighbors at various distances and learns their linear
mixing to obtain informative representations of biomedical entities.
Experiments on four interaction networks, including protein-protein, drug-drug,
drug-target, and gene-disease interactions, show that HOGCN achieves more
accurate and calibrated predictions. HOGCN performs well on noisy, sparse
interaction networks when feature representations of neighbors at various
distances are considered. Moreover, a set of novel interaction predictions are
validated by literature-based case studies.
- Abstract（参考訳）: バイオメディカル相互作用ネットワークは、生物学的に意味のある相互作用の予測、病気のネットワークバイオマーカーの同定、薬剤標的の発見に極めて有用である。
近年, 生物医学的実体の表現を効果的に学習するグラフニューラルネットワークが提案され, 生体医学的相互作用予測に最先端の結果が得られた。
これらの手法は近隣住民の情報のみを考察するが、様々な距離で近隣住民から特徴の一般的な混合を学べない。
本稿では,生物医学的相互作用予測のための高次近傍からの情報を集約する高次グラフ畳み込みネットワーク(HOGCN)を提案する。
具体的には、HOGCNは、様々な距離で隣人の特徴表現を収集し、それらの線形混合を学び、生体医学的実体の情報表現を得る。
タンパク質-タンパク質、薬物-ドラッグ、薬物-ターゲット、遺伝子-放出相互作用を含む4つの相互作用ネットワークの実験は、HOGCNがより正確で校正された予測を達成することを示す。
HOGCNは、様々な距離における隣人の特徴表現を考慮した場合、ノイズの多い疎結合ネットワーク上でよく機能する。
さらに、文献に基づくケーススタディにより、一連の新しい相互作用予測が検証される。
関連論文リスト
- Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。
BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。
ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
論文 参考訳（メタデータ） (2023-12-09T07:08:00Z) - Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural
Network with Biomedical Network [69.16939798838159]
本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。
EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。
全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
論文 参考訳（メタデータ） (2023-11-15T06:34:00Z) - ResMGCN: Residual Message Graph Convolution Network for Fast Biomedical
Interactions Discovering [0.0]
本稿では,バイオメディカル相互作用予測のためのResidual Message Graph Convolution Network (ResMGCN)を提案する。
タンパク質・タンパク質・薬物・薬物・標的・遺伝子・疾患の相互作用を含む4つのバイオメディカル相互作用ネットワークデータセットの実験を行った。
論文 参考訳（メタデータ） (2023-11-13T13:16:35Z) - Predicting Biomedical Interactions with Probabilistic Model Selection
for Graph Neural Networks [5.156812030122437]
現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、そのような相互作用の実験的同定には時間と費用がかかる。
ディープグラフニューラルネットワークは、グラフ構造データモデリングの有効性を示し、バイオメディカル相互作用予測において優れた性能を達成した。
提案手法により,グラフ畳み込みネットワークは,その深度を動的に適応し,対話数の増加に対応することができる。
論文 参考訳（メタデータ） (2022-11-22T20:44:28Z) - 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) - 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) - Distance-aware Molecule Graph Attention Network for Drug-Target Binding
Affinity Prediction [54.93890176891602]
薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。
そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。
また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
論文 参考訳（メタデータ） (2020-12-17T17:44:01Z) - SumGNN: Multi-typed Drug Interaction Prediction via Efficient Knowledge
Graph Summarization [64.56399911605286]
本稿では,サブグラフ抽出モジュールによって実現された知識要約グラフニューラルネットワークSumGNNを提案する。
SumGNNは5.54%まで最高のベースラインを上回り、データ関係の低いタイプでは特にパフォーマンスの向上が顕著である。
論文 参考訳（メタデータ） (2020-10-04T00:14:57Z) - SkipGNN: Predicting Molecular Interactions with Skip-Graph Networks [70.64925872964416]
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。
論文 参考訳（メタデータ） (2020-04-30T16:55:58Z)
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。