論文の概要: Prediction of gene expression time series and structural analysis of
gene regulatory networks using recurrent neural networks
- arxiv url: http://arxiv.org/abs/2109.05849v1
- Date: Mon, 13 Sep 2021 10:30:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-15 01:39:01.835217
- Title: Prediction of gene expression time series and structural analysis of
gene regulatory networks using recurrent neural networks
- Title（参考訳）: リカレントニューラルネットワークを用いた遺伝子発現時系列予測と遺伝子制御ネットワークの構造解析
- Authors: Michele Monti, Jonathan Fiorentino, Edoardo Milanetti, Giorgio Gosti,
Gian Gaetano Tartaglia
- Abstract要約: この作業は、RNNの注意機構を理解し、活用する方法を提供する。
遺伝子発現データから時系列予測とGRNの推測を行うRNNベースの手法への道を開く。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Methods for time series prediction and classification of gene regulatory
networks (GRNs) from gene expression data have been treated separately so far.
The recent emergence of attention-based recurrent neural networks (RNN) models
boosted the interpretability of RNN parameters, making them appealing for the
understanding of gene interactions. In this work, we generated synthetic time
series gene expression data from a range of archetypal GRNs and we relied on a
dual attention RNN to predict the gene temporal dynamics. We show that the
prediction is extremely accurate for GRNs with different architectures. Next,
we focused on the attention mechanism of the RNN and, using tools from graph
theory, we found that its graph properties allow to hierarchically distinguish
different architectures of the GRN. We show that the GRNs respond differently
to the addition of noise in the prediction by the RNN and we relate the noise
response to the analysis of the attention mechanism. In conclusion, this work
provides a a way to understand and exploit the attention mechanism of RNN and
it paves the way to RNN-based methods for time series prediction and inference
of GRNs from gene expression data.
- Abstract（参考訳）: 遺伝子発現データから遺伝子制御ネットワーク(GRN)の時系列予測と分類を行う手法は,これまで別々に検討されてきた。
近年の注目に基づくリカレントニューラルネットワーク(RNN)モデルの出現は、RNNパラメータの解釈可能性を高め、遺伝子相互作用の理解をアピールした。
本研究では,古細菌のGRNから合成時系列遺伝子発現データを生成し,その時間的変動を予測するために,二重注意RNNを用いた。
この予測は,異なるアーキテクチャを持つGRNに対して極めて正確であることを示す。
次に、RNNの注意機構に着目し、グラフ理論のツールを用いて、グラフ特性によってGRNの異なるアーキテクチャを階層的に区別できることを発見した。
RNNによる予測におけるノイズの追加に対して,GRNは異なる応答を示し,ノイズ応答とアテンション機構の解析を関連づける。
結論として、本研究は、RNNの注意機構を理解し、活用する方法を提供し、遺伝子発現データから時系列予測とGRNの推測を行うRNNベースの手法に道を開く。
関連論文リスト
- 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) - Inference of dynamical gene regulatory networks from single-cell data
with physics informed neural networks [0.0]
本稿では,物理インフォームドニューラルネットワーク(PINN)を用いて,予測的,動的 GRN のパラメータを推定する方法について述べる。
具体的には, 分岐挙動を示すGRNについて検討し, 細胞分化をモデル化する。
論文 参考訳（メタデータ） (2024-01-14T21:43:10Z) - Neural Tangent Kernels Motivate Graph Neural Networks with
Cross-Covariance Graphs [94.44374472696272]
グラフニューラルネットワーク(GNN)の文脈におけるNTKとアライメントについて検討する。
その結果、2層GNNのアライメントの最適性に関する理論的保証が確立された。
これらの保証は、入力と出力データの相互共分散の関数であるグラフシフト演算子によって特徴づけられる。
論文 参考訳（メタデータ） (2023-10-16T19:54:21Z) - Stability Analysis of Non-Linear Classifiers using Gene Regulatory
Neural Network for Biological AI [2.0755366440393743]
二重層転写翻訳化学反応モデルを用いた遺伝子パーセプトロンの数学的モデルを構築した。
我々は全接続GRNNサブネットワーク内の各遺伝子パーセプトロンの安定性解析を行い、時間的および安定した濃度出力を決定する。
論文 参考訳（メタデータ） (2023-09-14T21:37:38Z) - On Neural Networks as Infinite Tree-Structured Probabilistic Graphical Models [44.676210493587256]
本稿では,ニューラルネットワークに対応する無限木構造PGMを構築することにより,革新的な解を提案する。
我々の研究は、DNNが前方伝播中に、この代替のPGM構造において正確であるPGMの近似を実行することを明らかにした。
論文 参考訳（メタデータ） (2023-05-27T21:32:28Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-05-22T10:29:52Z) - 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) - The Surprising Power of Graph Neural Networks with Random Node
Initialization [54.4101931234922]
グラフニューラルネットワーク(GNN)は、関係データ上での表現学習に有効なモデルである。
標準 GNN はその表現力に制限があり、Weisfeiler-Leman グラフ同型(英語版)の能力以外の区別はできない。
本研究では,ランダムノード(RNI)を用いたGNNの表現力の解析を行う。
我々はこれらのモデルが普遍的であることを証明し、GNNが高次特性の計算に頼らない最初の結果である。
論文 参考訳（メタデータ） (2020-10-02T19:53:05Z) - Permutation-equivariant and Proximity-aware Graph Neural Networks with
Stochastic Message Passing [88.30867628592112]
グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。
置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。
既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。
ノードの近さを保つため,既存のGNNをノード表現で拡張する。
論文 参考訳（メタデータ） (2020-09-05T16:46:56Z) - Gated Graph Recurrent Neural Networks [176.3960927323358]
グラフ処理の一般的な学習フレームワークとしてグラフリカレントニューラルネットワーク(GRNN)を導入する。
勾配の消失問題に対処するため,時間,ノード,エッジゲートの3つの異なるゲーティング機構でGRNNを前進させた。
数値的な結果は、GRNNがGNNやRNNよりも優れており、グラフプロセスの時間構造とグラフ構造の両方を考慮することが重要であることを示している。
論文 参考訳（メタデータ） (2020-02-03T22:35:14Z)
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。