論文の概要: MGN-Net: a multi-view graph normalizer for integrating heterogeneous
biological network populations
- arxiv url: http://arxiv.org/abs/2104.03895v1
- Date: Sun, 4 Apr 2021 05:45:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 12:48:17.128181
- Title: MGN-Net: a multi-view graph normalizer for integrating heterogeneous
biological network populations
- Title（参考訳）: MGN-Net:異種生物ネットワーク群を統合する多視点グラフ正規化器
- Authors: Islem Rekik and Mustafa Burak Gurbuz
- Abstract要約: マルチビューグラフ正規化ネットワーク(MGN-Net)を提案する。
MGN-Netは、複数ビューの生物学的ネットワークの集合を単一接続テンプレートに正規化し、統合するグラフニューラルネットワークベースの手法である。
健常および神経障害のある脳ネットワーク集団の結合指紋を発見し,MGN-Netの使用を実証した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: With the recent technological advances, biological datasets, often
represented by networks (i.e., graphs) of interacting entities, proliferate
with unprecedented complexity and heterogeneity. Although modern network
science opens new frontiers of analyzing connectivity patterns in such
datasets, we still lack data-driven methods for extracting an integral
connectional fingerprint of a multi-view graph population, let alone
disentangling the typical from the atypical variations across the population
samples. We present the multi-view graph normalizer network (MGN-Net;
https://github.com/basiralab/MGN-Net), a graph neural network based method to
normalize and integrate a set of multi-view biological networks into a single
connectional template that is centered, representative, and topologically
sound. We demonstrate the use of MGN-Net by discovering the connectional
fingerprints of healthy and neurologically disordered brain network populations
including Alzheimer's disease and Autism spectrum disorder patients.
Additionally, by comparing the learned templates of healthy and disordered
populations, we show that MGN-Net significantly outperforms conventional
network integration methods across extensive experiments in terms of producing
the most centered templates, recapitulating unique traits of populations, and
preserving the complex topology of biological networks. Our evaluations showed
that MGN-Net is powerfully generic and easily adaptable in design to different
graph-based problems such as identification of relevant connections,
normalization and integration.
- Abstract（参考訳）: 近年の技術進歩により、相互作用する実体のネットワーク(グラフ)で表される生物学的データセットは、前例のない複雑さと多様性で増殖する。
現代のネットワーク科学は、このようなデータセットにおける接続パターンの分析の新たなフロンティアを開くが、多視点グラフ人口の積分接続指紋を抽出するためのデータ駆動型手法はいまだに欠如している。
本稿では,多視点生物ネットワークの集合を,中心的,代表的,トポロジカルな,単一の接続テンプレートに正規化し統合する,グラフニューラルネットワークに基づく手法であるマルチビューグラフ正規化ネットワーク(mgn-net; https://github.com/basiralab/mgn-net)を提案する。
我々は、アルツハイマー病や自閉症スペクトラム障害を含む健康・神経疾患の脳ネットワーク集団の結合指紋を発見し、MGN-Netの使用を実証した。
さらに,mgn-netは,健康な個体群と無秩序な個体群の学習されたテンプレートを比較した結果,最も中心的なテンプレートの作成,個体群の特異な特徴の再認識,生物学的ネットワークの複雑なトポロジーの保存といった幅広い実験において,従来のネットワーク統合手法を著しく上回っていることが示された。
MGN-Netは, 関係関係の同定, 正規化, 統合など, 異なるグラフベースの問題に対して, 設計において非常に汎用的で容易に適応可能であることを示した。
関連論文リスト
- Comparative Analysis of Multi-Omics Integration Using Advanced Graph Neural Networks for Cancer Classification [40.45049709820343]
マルチオミクスデータ統合は、高次元性、データ複雑さ、および様々なオミクスタイプの異なる特徴により、大きな課題を生じさせる。
本研究では、グラフ畳み込みネットワーク(GCN)、グラフアテンションネットワーク(GAT)、グラフトランスフォーマーネットワーク(GTN)に基づくマルチオミクス(MO)統合のための3つのグラフニューラルネットワークアーキテクチャを評価する。
論文 参考訳（メタデータ） (2024-10-05T16:17:44Z) - Analysis of Gene Regulatory Networks from Gene Expression Using Graph Neural Networks [0.4369058206183195]
本研究では、遺伝子制御ネットワーク(GRN)のようなグラフ構造化データをモデリングするための強力なアプローチであるグラフニューラルネットワーク(GNN)の利用について検討する。
規制相互作用を正確に予測し、キーレギュレータをピンポイントするモデルの有効性は、高度な注意機構に起因している。
GNNのGRN研究への統合は、パーソナライズド医療、薬物発見、生物学的システムの把握における先駆的な発展を目標としている。
論文 参考訳（メタデータ） (2024-09-20T17:16:14Z) - 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) - Auto-HeG: Automated Graph Neural Network on Heterophilic Graphs [62.665761463233736]
異種グラフ上の自動グラフニューラルネットワークであるAuto-HeGを提案し、異種グラフGNNモデルを自動的に構築する。
特にAuto-HeGは、検索空間設計、スーパーネットトレーニング、アーキテクチャ選択など、自動異種グラフ学習のあらゆる段階にヘテロフィリーを組み込んでいる。
論文 参考訳（メタデータ） (2023-02-23T22:49:56Z) - 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) - Comparative Survey of Multigraph Integration Methods for Holistic Brain
Connectivity Mapping [0.0]
我々は、単一視点脳ネットワークと多視点脳ネットワークの人口に対して、高度で代表的なCBTを推定するために設計された最先端の手法を概観する。
ディープグラフ正規化器(DGN)法は,CBTを推定するための他のマルチグラフ積分法よりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2022-04-05T13:34:34Z) - BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。
リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。
BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文 参考訳（メタデータ） (2021-12-13T17:35:54Z) - Deep Graph Normalizer: A Geometric Deep Learning Approach for Estimating
Connectional Brain Templates [0.0]
接続脳テンプレート(CBT)は、脳ネットワークの集団の正規化されたグラフベースの表現です。
Deep Graph Normalizer(DGN)は、MVBNの個体群を正規化する最初の幾何学的ディープラーニングアーキテクチャである。
DGNは、被験者を横断する非線形パターンを捉えながら、マルチビュー脳ネットワークを融合する方法を学ぶ。
論文 参考訳（メタデータ） (2020-12-28T08:01:49Z) - A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。
本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。
UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文 参考訳（メタデータ） (2020-10-05T04:57:18Z) - Detecting Communities in Heterogeneous Multi-Relational Networks:A
Message Passing based Approach [89.19237792558687]
コミュニティは、ソーシャルネットワーク、生物学的ネットワーク、コンピュータおよび情報ネットワークを含むネットワークの共通の特徴である。
我々は,全同種ネットワークのコミュニティを同時に検出する効率的なメッセージパッシングに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:36:24Z)
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。