論文の概要: GraphBreak: Tool for Network Community based Regulatory Medicine, Gene co-expression, Linkage Disequilibrium analysis, functional annotation and more

• arxiv url: http://arxiv.org/abs/2103.06145v1
• Date: Wed, 24 Feb 2021 15:16:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 08:51:47.479128
• Title: GraphBreak: Tool for Network Community based Regulatory Medicine, Gene co-expression, Linkage Disequilibrium analysis, functional annotation and more
• Title（参考訳）: GraphBreak:ネットワークコミュニティベースの規制医学、遺伝子共発現、リンク不均衡分析、機能アノテーションなどのためのツール
• Authors: Abhishek Narain Singh
• Abstract要約: GraphBreakは、コミュニティ検出アプリケーションのための一連のツールです。 eQTLs規制ゲノムネットワークコミュニティ研究のユースケースとして開発された。 graph-breakは、検出されたコミュニティの疾患関連に関する下流分析において、重要なユースケースを示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph network science is becoming increasingly popular, notably in big-data perspective where understanding individual entities for individual functional roles is complex and time consuming. It is likely when a set of genes are regulated by a set of genetic variants, the genes set is recruited for a common or related functional purpose. Grouping and extracting communities from network of associations becomes critical to understand system complexity, thus prioritizing genes for dis-ease and functional associations. Workload is reduced when studying entities one at a time. For this, we present GraphBreak, a suite of tools for community detection application, such as for gene co-expression, protein interaction, regulation network, etc.Although developed for use case of eQTLs regulatory genomic net-work community study -- results shown with our analysis with sample eQTL data. Graphbreak can be deployed for other studies if input data has been fed in requisite format, including but not limited to gene co-expression networks, protein-protein interaction network, signaling pathway and metabolic network. Graph-Break showed critical use case value in its downstream analysis for disease association of communities detected. If all independent steps of community detection and analysis are a step-by-step sub-part of the algorithm, GraphBreak can be considered a new algorithm for community based functional characterization. Combination of various algorithmic implementation modules into a single script for this purpose illustrates GraphBreak novelty. Compared to other similar tools, with GraphBreak we can better detect communities with over-representation of its member genes for statistical association with diseases, therefore target genes which can be prioritized for drug-positioning or drug-re-positioning as the case be.
• Abstract（参考訳）: グラフネットワーク科学は、特に、個々の機能的役割に対する個々のエンティティの理解が複雑で時間がかかるビッグデータの観点から、ますます普及しています。 遺伝子が一組の遺伝子変異体によって制御されている場合、その遺伝子セットは共通のまたは関連する機能目的のために採用される可能性が高い。 ネットワークのネットワークからコミュニティをグループ化し、抽出することは、システムの複雑さを理解するために重要となり、解離および機能的関連のための遺伝子を優先順位付けする。 一度に1つずつエンティティを研究する場合、ワークロードは減少する。 そこで本研究では,遺伝子共発現,タンパク質相互作用,制御ネットワークなど,コミュニティ検出アプリケーションのための一連のツールであるgraphbreakを提案する。 graphbreakは、入力データが遺伝子共発現ネットワーク、タンパク質-タンパク質相互作用ネットワーク、シグナル伝達経路、代謝ネットワークなど、必要なフォーマットで供給された場合、他の研究のためにデプロイすることができる。 graph-breakは、検出されたコミュニティの疾患関連に関する下流分析において、重要なユースケースを示した。 コミュニティ検出と分析のすべての独立したステップがアルゴリズムのステップバイステップサブパートであれば、GraphBreakはコミュニティベースの機能的特徴付けのための新しいアルゴリズムと見なすことができる。 この目的のために、様々なアルゴリズムの実装モジュールを単一のスクリプトに組み合わせることで、GraphBreakの新規性を示している。 他の類似のツールと比較して、GraphBreakでは、そのメンバー遺伝子を過剰に表現して、病気と統計的に関連づけるコミュニティをよりよく検出できるため、薬物配置や薬物再配置に優先順位付けできる遺伝子をターゲットにしている。

関連論文リスト

• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• 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)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Koopman-based spectral clustering of directed and time-evolving graphs [0.3655021726150368]
  非指向グラフのためのスペクトルクラスタリングアルゴリズムは十分に確立されており、教師なし機械学習問題にうまく適用されている。 しかし、有向グラフのクラスタ化は依然として困難であり、有向グラフのクラスタの定義は広く受け入れられていない。 ラプラシアンと転送演算子の関係を用いた有向グラフと時間進化グラフのクラスタリングアルゴリズムを導出する。 結果として得られるクラスターはコヒーレントな集合として解釈することができ、流体の輸送と混合過程の解析において重要な役割を果たす。
  論文  参考訳（メタデータ） (2022-04-06T17:33:24Z)
• 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)
• Unsupervised Constrained Community Detection via Self-Expressive Graph Neural Network [17.209458751421018]
  グラフニューラルネットワーク(GNN)は、ノード分類やリンク予測など、複数のグラフ下流タスクで有望なパフォーマンスを達成することができる。 伝統的に、GNNは半教師付きまたは自己教師型損失関数で訓練され、その後、クラスタリングアルゴリズムを適用してコミュニティを検出する。 我々のソリューションはエンドツーエンドでトレーニングされ、複数の公開データセット上で最先端のコミュニティ検出のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-11-28T07:17:30Z)
• Factorizable Graph Convolutional Networks [90.59836684458905]
  本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。 FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。 提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
  論文  参考訳（メタデータ） (2020-10-12T03:01:40Z)
• A Graph Feature Auto-Encoder for the Prediction of Unobserved Node Features on Biological Networks [3.132875765271743]
  我々は,E. Coli とマウスにおける生物学的相互作用ネットワークの表現について,グラフニューラルネットワークを用いて検討した。 そこで我々は,機能再構築タスクに基づいて学習した,エンドツーエンドのグラフ機能自動エンコーダを提案する。 自動エンコーダはタンパク質相互作用情報を使用しない最先端の計算手法より優れていた。
  論文  参考訳（メタデータ） (2020-05-08T11:23:04Z)
• Can x2vec Save Lives? Integrating Graph and Language Embeddings for Automatic Mental Health Classification [91.3755431537592]
  グラフと言語の埋め込みモデル(metapath2vec と doc2vec)がリソース制限を回避する方法を示します。 統合されると、両データは高度に正確な予測を生成する(90%、偽陽性10%、偽陰性12%)。 これらの結果は、大規模ネットワークにおける行動と言語を同時に分析することの重要性の研究を拡大する。
  論文  参考訳（メタデータ） (2020-01-04T20:56:21Z)

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。