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
- 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) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳(メタデータ) (2023-10-23T13:35:24Z) - 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) - Explorative analysis of human disease-symptoms relations using the
Convolutional Neural Network [0.0]
本研究は, 疾患予測タスクにおける症状タイプの範囲を理解することを目的としている。
その結果,早期に98~100%の精度で機械学習が病気を診断できる可能性が示唆された。
論文 参考訳(メタデータ) (2023-02-23T15:02:07Z) - 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) - Machine Learning Methods for Cancer Classification Using Gene Expression
Data: A Review [77.34726150561087]
がんは心臓血管疾患の2番目の死因である。
遺伝子発現は癌の早期発見において基本的な役割を担っている。
本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
論文 参考訳(メタデータ) (2023-01-28T15:03:03Z) - 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) - Predicting Potential Drug Targets Using Tensor Factorisation and
Knowledge Graph Embeddings [4.415977307120617]
我々は、病気の潜在的な薬物標的(遺伝子またはタンパク質)を予測するための新しいテンソル分解モデルを開発した。
薬物発見指向の知識グラフから得られた遺伝子表現を用いてデータを豊かにし,提案手法を適用し,未確認ターゲットと解離ペアの臨床的結果を予測する。
論文 参考訳(メタデータ) (2021-05-20T16:19:00Z) - 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) - 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。