論文の概要: Understanding microbiome dynamics via interpretable graph representation learning

• arxiv url: http://arxiv.org/abs/2203.01830v1
• Date: Wed, 2 Mar 2022 18:53:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-05 12:29:38.239579
• Title: Understanding microbiome dynamics via interpretable graph representation learning
• Title（参考訳）: 解釈可能なグラフ表現学習による微生物動態の理解
• Authors: Kateryna Melnyk, Kuba Weimann, Tim O.F. Conrad
• Abstract要約: 微生物構成における大規模な摂動は、ヒト生理学の健康と機能と強く相関している。 本稿では,これらの相互作用を,ノードが微生物であり,エッジが相互作用する時間進化グラフとしてモデル化することを提案する。 このような複雑な相互作用を分析する必要性から、時間進化グラフの低次元表現を学習する手法を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large-scale perturbations in the microbiome constitution are strongly correlated, whether as a driver or a consequence, with the health and functioning of human physiology. However, understanding the difference in the microbiome profiles of healthy and ill individuals can be complicated due to the large number of complex interactions among microbes. We propose to model these interactions as a time-evolving graph whose nodes are microbes and edges are interactions among them. Motivated by the need to analyse such complex interactions, we develop a method that learns a low-dimensional representation of the time-evolving graph and maintains the dynamics occurring in the high-dimensional space. Through our experiments, we show that we can extract graph features such as clusters of nodes or edges that have the highest impact on the model to learn the low-dimensional representation. This information can be crucial to identify microbes and interactions among them that are strongly correlated with clinical diseases. We conduct our experiments on both synthetic and real-world microbiome datasets.
• Abstract（参考訳）: マイクロバイオーム構成における大規模な摂動は、運転者であれ結果であれ、人間の生理学の健康と機能と強く相関している。 しかし、健康な個体と病気の個体のマイクロバイオームプロファイルの違いを理解することは、微生物間の多くの複雑な相互作用のために複雑になる。 本稿では,これらの相互作用を,ノードが微生物でエッジが相互作用する時間進化グラフとしてモデル化することを提案する。 このような複雑な相互作用を分析する必要性から、時間進化グラフの低次元表現を学習し、高次元空間で発生するダイナミクスを維持する方法を開発した。 実験により,低次元表現を学習するために,モデルに最も影響を与えるノードやエッジのクラスタなどのグラフ特徴を抽出することができることを示した。 この情報は、臨床疾患と強く相関する微生物や相互作用を特定するために重要である。 我々は合成および実世界のマイクロバイオームデータセットについて実験を行う。

関連論文リスト

• Causal Representation Learning from Multimodal Biological Observations [57.00712157758845]
  我々は,マルチモーダルデータに対するフレキシブルな識別条件の開発を目指している。 我々は、各潜伏成分の識別可能性を保証するとともに、サブスペース識別結果を事前の作業から拡張する。 我々の重要な理論的要素は、異なるモーダル間の因果関係の構造的空間性である。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Graph Neural Networks for Gut Microbiome Metaomic data: A preliminary work [0.47248250311484113]
  グラフニューラルネットワーク(GNN)を用いた個々の腸内マイクロバイオームの有意義な表現の導出を目指す。 エンコーダから学習した表現は、炎症性腸疾患(IBD)などの表現型予測モデルの訓練に使用される。
  論文  参考訳（メタデータ） (2024-06-28T15:53:36Z)
• 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)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Predicting Molecule-Target Interaction by Learning Biomedical Network and Molecule Representations [10.128856077021625]
  本稿では,生物医学的ネットワークトポロジと分子構造・化学情報の両方を表現として学習し,与えられた分子と標的対の潜在的な相互作用を予測する,擬似システマグラフニューラルネットワーク手法 MTINet+ を提案する。 異なる分子標的相互作用タスクの実験では、MTINet+は最先端のベースラインよりも著しく優れていた。
  論文  参考訳（メタデータ） (2023-02-02T10:00:46Z)
• 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)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Graph Neural Networks for Microbial Genome Recovery [64.91162205624848]
  本稿では,グラフニューラルネットワーク(GNN)を用いて,メダゲノミクスビニングのためのコンティグ表現を学習する際のアセンブリグラフを活用することを提案する。 提案手法であるVaeG-Binは,個々のコンティグの潜在表現を学習するための変分オートエンコーダと,アセンブリグラフ内のコンティグの近傍構造を考慮したGNNを組み合わせる。
  論文  参考訳（メタデータ） (2022-04-26T12:49:51Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• PhD dissertation to infer multiple networks from microbial data [0.0]
  微生物ネットワークは、サンプルタキサカウント行列から構築された重み付きグラフである。 このグラフのノードは微生物の分類であり、エッジはこれらの分類のペアの関連を表す。
  論文  参考訳（メタデータ） (2020-10-12T19:16:26Z)
• GraphKKE: Graph Kernel Koopman Embedding for Human Microbiome Analysis [0.2752817022620644]
  時間進化グラフの埋め込みを学習する手法を提案する。 提案手法は,生成した合成データと実世界のデータの両方において,時間進化グラフの一時的な変化を捉えることができることを示す。
  論文  参考訳（メタデータ） (2020-08-12T10:57:02Z)

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。