論文の概要: AGMI: Attention-Guided Multi-omics Integration for Drug Response Prediction with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2112.08366v1
• Date: Wed, 15 Dec 2021 07:42:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-17 14:56:45.910781
• Title: AGMI: Attention-Guided Multi-omics Integration for Drug Response Prediction with Graph Neural Networks
• Title（参考訳）: AGMI:グラフニューラルネットワークを用いた薬物反応予測のための注意誘導マルチオミクス統合
• Authors: Feng Ruiwei, Xie Yufeng, Lai Minshan, Chen Danny, Cao Ji, Wu Jian
• Abstract要約: 本稿では,Attention-Guided Multi-omics Integration (AGMI) の新たなアプローチを提案する。 AGMIはまず、各セルラインにMulti-edge Graph(MeG)を構築し、その後、Graph edge-aware Network(GeNet)と呼ばれる新しい構造を用いて、薬物応答を予測するためにマルチオミクスの特徴を集約する。 CCLEとGDSCデータセットの実証実験により、AGMIは4つの指標で最先端のオミクス法を8.3%--34.2%上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate drug response prediction (DRP) is a crucial yet challenging task in precision medicine. This paper presents a novel Attention-Guided Multi-omics Integration (AGMI) approach for DRP, which first constructs a Multi-edge Graph (MeG) for each cell line, and then aggregates multi-omics features to predict drug response using a novel structure, called Graph edge-aware Network (GeNet). For the first time, our AGMI approach explores gene constraint based multi-omics integration for DRP with the whole-genome using GNNs. Empirical experiments on the CCLE and GDSC datasets show that our AGMI largely outperforms state-of-the-art DRP methods by 8.3%--34.2% on four metrics. Our data and code are available at https://github.com/yivan-WYYGDSG/AGMI.
• Abstract（参考訳）: 正確な薬物反応予測(DRP)は、精密医療において重要な課題である。 本稿では、まず各セルラインに対してマルチエッジグラフ(meg)を構築し、次にグラフエッジアウェアネットワーク(genet)と呼ばれる新しい構造を用いて、マルチオミクス機能を集約して薬物応答を予測するdrpのための注意誘導型マルチオミクス統合(agmi)手法を提案する。 今回のagmiアプローチは,gnnを用いたdrpの遺伝子制約に基づくマルチオミクス統合と全ゲノム統合を初めて検討した。 CCLEとGDSCデータセットの実証実験により、AGMIは4つの指標で最先端のDRP法を8.3%--34.2%上回っていることがわかった。 私たちのデータとコードはhttps://github.com/yivan-wyygdsg/agmiで入手できます。

関連論文リスト

• A Scalable Tool For Analyzing Genomic Variants Of Humans Using Knowledge Graphs and Machine Learning [7.928994572633366]
  知識グラフとグラフ機械学習を利用したゲノム変異解析のための総合的なアプローチを提案する。 提案手法は、変異レベルの遺伝情報を抽出し、SnpEffを使用して付加メタデータでアノテートし、リッチなVariant Call FormatファイルをResource Description Frameworkのトリプルに変換する。 結果として得られる知識グラフは、患者のメタデータによってさらに強化され、グラフデータベースに格納される。
  論文  参考訳（メタデータ） (2024-07-30T14:56:10Z)
• IGCN: Integrative Graph Convolution Networks for patient level insights and biomarker discovery in multi-omics integration [2.0971479389679337]
  本稿では,癌分子サブタイプとバイオメディカル分類のための新しい統合ニューラルネットワークアプローチを提案する。 IGCNは、特定のクラスを予測するために患者に対してどのタイプのオミクスがより強調されるかを特定することができる。 IGCNは、様々なオミクスデータタイプから重要なバイオマーカーを特定できる。
  論文  参考訳（メタデータ） (2024-01-31T05:52:11Z)
• 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)
• RU-Net: Regularized Unrolling Network for Scene Graph Generation [92.95032610978511]
  シーングラフ生成(SGG)は、オブジェクトを検出し、各オブジェクト間の関係を予測することを目的としている。 既存のSGG法は,(1)あいまいな対象表現,2)関係予測の多様性の低下など,いくつかの問題に悩まされることが多い。 両問題に対処する正規化アンローリングネットワーク(RU-Net)を提案する。
  論文  参考訳（メタデータ） (2022-05-03T04:21:15Z)
• Meta-Aggregator: Learning to Aggregate for 1-bit Graph Neural Networks [127.32203532517953]
  我々は,GNNパラメータとグラフ特徴をバイナライズするバニラ1ビットフレームワークを開発した。 軽量なアーキテクチャにもかかわらず、我々はこのバニラフレームワークがグラフトポロジを区別するのに十分な差別力に悩まされていることを観察した。 この発見は、バニラ二項化GNNの表現力を向上させるためにメタアグリゲータを考案する動機となる。
  論文  参考訳（メタデータ） (2021-09-27T08:50:37Z)
• Graph Representation Learning on Tissue-Specific Multi-Omics [0.0]
  組織特異的遺伝子間相互作用(GGI)ネットワーク上でリンク予測を行うために,グラフ埋め込みモデル(すなわちVGAE)を利用する。 複数生物のモダリティ(マルチオミクス)の組み合わせは、強力な埋め込みとより良いリンク予測性能をもたらすことを証明した。
  論文  参考訳（メタデータ） (2021-07-25T17:38:45Z)
• GIPA: General Information Propagation Algorithm for Graph Learning [3.228614352581043]
  属性付きグラフデータ学習のための新しいグラフ注目ニューラルネットワーク、すなわちGIPAを紹介します。 GIPAは3つの重要なコンポーネントで構成されている。 Open Graph Benchmark protein データセットを用いてGIPAの性能を評価する。
  論文  参考訳（メタデータ） (2021-05-13T01:50:43Z)
• 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)
• Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
  グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。 グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-02-26T10:02:32Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。