論文の概要: Heterogeneous Graph based Deep Learning for Biomedical Network Link Prediction

• arxiv url: http://arxiv.org/abs/2102.01649v4
• Date: Thu, 24 Feb 2022 02:58:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 11:12:53.955318
• Title: Heterogeneous Graph based Deep Learning for Biomedical Network Link Prediction
• Title（参考訳）: バイオメディカルネットワークリンク予測のための不均一グラフに基づく深層学習
• Authors: Jinjiang Guo, Jie Li, Dawei Leng and Lurong Pan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 7.628651624423363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-scale biomedical knowledge networks are expanding with emerging experimental technologies that generates multi-scale biomedical big data. Link prediction is increasingly used especially in bipartite biomedical networks to identify hidden biological interactions and relationshipts between key entities such as compounds, targets, gene and diseases. We propose a Graph Neural Networks (GNN) method, namely Graph Pair based Link Prediction model (GPLP), for predicting biomedical network links simply based on their topological interaction information. In GPLP, 1-hop subgraphs extracted from known network interaction matrix is learnt to predict missing links. To evaluate our method, three heterogeneous biomedical networks were used, i.e. Drug-Target Interaction network (DTI), Compound-Protein Interaction network (CPI) from NIH Tox21, and Compound-Virus Inhibition network (CVI). Our proposed GPLP method significantly outperforms over the state-of-the-art baselines. In addition, different network incompleteness is analysed with our devised protocol, and we also design an effective approach to improve the model robustness towards incomplete networks. Our method demonstrates the potential applications in other biomedical networks.
• Abstract（参考訳）: マルチスケールのバイオメディカル知識ネットワークは、マルチスケールのバイオメディカルビッグデータを生成する新しい実験技術によって拡大している。 リンク予測は、特にバイオメディカルネットワークにおいて、隠れた生物学的相互作用や、化合物、標的、遺伝子、疾患などの重要な実体間の関係を識別するために用いられる。 本稿では,そのトポロジ的相互作用情報に基づいて,バイオメディカルネットワークリンクを予測するグラフペアベースリンク予測モデル(GPLP)を提案する。 GPLP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。 本手法の評価には,薬物・標的相互作用ネットワーク(DTI),NIH Tox21の化合物・プロテイン相互作用ネットワーク(CPI),複合ウイルス抑制ネットワーク(CVI)の3つの異種バイオメディカルネットワークを用いた。 提案するGPLP法は,最先端のベースラインよりも優れていた。 さらに,設計したプロトコルを用いて異なるネットワーク不完全性を解析し,不完全ネットワークに対するモデルロバスト性を改善する効果的なアプローチを設計する。 本手法は,他のバイオメディカルネットワークにおける応用可能性を示す。

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)
• A Review of Link Prediction Applications in Network Biology [2.7624021966289605]
  リンク予測(LP)手法は、生物学的ネットワーク内での欠落や予知の関連を推測するのに役立つ。 静的, 動的生物学的ネットワークに適用した, 局所的, 集中的, 埋め込み型LPアプローチの属性を系統的に識別する。 今後のLPモデルから期待される本質的な特徴を探求し, 生物学的システムを管理する複雑な相互作用の理解を深めるべく, レビューを締めくくった。
  論文  参考訳（メタデータ） (2023-12-03T04:23:51Z)
• 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)
• Graph Neural Network approaches for single-cell data: A recent overview [0.3277163122167433]
  グラフニューラルネットワーク(GNN)は、遺伝子と細胞間の深いつながりを明らかにすることで、生医学と病気の理解を再構築している。 近年,シングルセルデータに適したGNN手法が注目されている。 このレビューは、GNNがシングルセル分析の中心となる未来を予測している。
  論文  参考訳（メタデータ） (2023-10-14T11:09:17Z)
• 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)
• 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)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Predicting Biomedical Interactions with Higher-Order Graph Convolutional Networks [2.9488233765621295]
  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。
  論文  参考訳（メタデータ） (2020-10-16T17:16:09Z)
• 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。