Fugu-MT 論文翻訳(概要): Relation-weighted Link Prediction for Disease Gene Identification

論文の概要: Relation-weighted Link Prediction for Disease Gene Identification

arxiv url: http://arxiv.org/abs/2011.05138v3
Date: Fri, 13 Nov 2020 14:48:00 GMT
ステータス: 処理完了
システム内更新日: 2022-09-27 06:49:13.651498
Title: Relation-weighted Link Prediction for Disease Gene Identification
Title（参考訳）: 疾患遺伝子同定のための関係重み付きリンク予測
Authors: Srivamshi Pittala, William Koehler, Jonathan Deans, Daniel Salinas, Martin Bringmann, Katharina Sophia Volz, Berk Kapicioglu
Abstract要約: このようなグラフ上の疾患遺伝子を識別する新しい機械学習手法を提案する。我々のアルゴリズムは、病気遺伝子同定における最先端の競争相手を24.1%上回っている。また, パーキンソン病の臨床治験における薬物標的の予測に関して, 標的同定の主導的取り組みである Open Targets よりも高い精度を達成できることが示唆された。
参考スコア（独自算出の注目度）: 0.3078691410268859
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Identification of disease genes, which are a set of genes associated with a disease, plays an important role in understanding and curing diseases. In this paper, we present a biomedical knowledge graph designed specifically for this problem, propose a novel machine learning method that identifies disease genes on such graphs by leveraging recent advances in network biology and graph representation learning, study the effects of various relation types on prediction performance, and empirically demonstrate that our algorithms outperform its closest state-of-the-art competitor in disease gene identification by 24.1%. We also show that we achieve higher precision than Open Targets, the leading initiative for target identification, with respect to predicting drug targets in clinical trials for Parkinson's disease.
Abstract（参考訳）: 疾患に関連する遺伝子のセットである疾患遺伝子の同定は、疾患の理解と治療において重要な役割を果たす。本稿では,この問題に特化して設計されたバイオメディカル知識グラフを提案するとともに,ネットワーク生物学とグラフ表現学習の最近の進歩を活用して,これらのグラフ上の疾患遺伝子を識別する新しい機械学習手法を提案する。また,パーキンソン病の治験における薬物ターゲットの予測に関して,ターゲット同定の先駆的イニシアチブであるオープンターゲットよりも高い精度を達成することを実証した。

関連論文リスト

Survey and Improvement Strategies for Gene Prioritization with Large Language Models [61.24568051916653]
大規模言語モデル (LLM) は, 医学検査において良好に機能しているが, 希少な遺伝疾患の診断における有効性は評価されていない。表現型と可溶性レベルに基づいて, マルチエージェントとヒトフェノタイプオントロジー(HPO)を分類した。ベースラインでは、GPT-4は他のLLMよりも優れており、因果遺伝子を正しくランク付けする際の精度は30%近く向上した。
論文参考訳（メタデータ） (2025-01-30T23:03:03Z)
Improving Disease Comorbidity Prediction Based on Human Interactome with Biologically Supervised Graph Embedding [0.0]
合併症は、疾患の理解と管理に重大な影響を及ぼす。人間の相互作用は、大きな不完全グラフとして、共生予測に有用な特徴を抽出する上で、独自の課題を提示している。 BSE (Biologically Supervised Graph Embedding) では、最も関連性の高い特徴を選択して、合併症のペアの予測精度を高めることができる。
論文参考訳（メタデータ） (2024-10-08T03:52:12Z)
Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
論文参考訳（メタデータ） (2024-06-05T06:42:27Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文参考訳（メタデータ） (2023-11-28T09:14:55Z)
Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文参考訳（メタデータ） (2023-09-26T03:59:21Z)
Knowledge Graph Completion based on Tensor Decomposition for Disease Gene Prediction [2.838553480267889]
疾患や遺伝子を中心とした生物学的知識グラフを構築し,疾患発生予測のためのエンドツーエンドの知識グラフ補完モデルを構築した。 KDGeneは、実体の埋め込みとテンソル分解との関係の間の相互作用モジュールを導入し、生物学的知識における情報相互作用を効果的に強化する。
論文参考訳（メタデータ） (2023-02-18T13:57:44Z)
An Information-Theoretic Framework for Identifying Age-Related Genes Using Human Dermal Fibroblast Transcriptome Data [0.8122270502556371]
我々は老化に関連する遺伝子を同定するための情報理論フレームワークを開発した。我々はヒト皮膚線維芽細胞遺伝子発現データに教師なしおよび半教師付き学習技術を用いた。教師なし手法と半教師なし手法の両方のパフォーマンス評価は,フレームワークの有効性を示す。
論文参考訳（メタデータ） (2021-11-04T02:41:33Z)
Data-Driven Logistic Regression Ensembles With Applications in Genomics [0.0]
本稿では,正規化とアンサンブルのアイデアを組み合わせた高次元二項分類問題に対する新しいアプローチを提案する。がん,多発性硬化症,乾皮症などの共通疾患を含むいくつかの医学的データセットを用いて,バイオマーカーの予測精度と同定の点で,本手法の優れた性能を実証した。
論文参考訳（メタデータ） (2021-02-17T05:57:26Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Recent Advances in Network-based Methods for Disease Gene Prediction [15.625526953844638]
ゲノムワイド・アソシエーション研究(GWAS)による疾患遺伝子関連研究は、研究者にとって困難な課題である。代替の低コストの疾患遺伝子関連証拠を研究者に提供するため、計算アプローチが実施される。分子ネットワークは病気の分子間の複雑な相互作用を捉えることができるため、疾患遺伝子関連予測において最も広く使われているデータの一つである。
論文参考訳（メタデータ） (2020-07-19T14:13:38Z)

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。