論文の概要: A knowledge graph representation learning approach to predict novel
kinase-substrate interactions
- arxiv url: http://arxiv.org/abs/2206.02290v1
- Date: Sun, 5 Jun 2022 23:55:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-07 17:19:59.540558
- Title: A knowledge graph representation learning approach to predict novel
kinase-substrate interactions
- Title（参考訳）: 知識グラフ表現学習による新規キナーゼ-基質相互作用の予測
- Authors: Sachin Gavali, Karen Ross, Chuming Chen, Julie Cowart, Cathy H. Wu
- Abstract要約: 本稿では,知識グラフ表現学習手法を提案する。
提案手法では,iPTMnet,Protein Ontology,Gene Ontology,BioKGのデータを統合して構築したホスホプロテオミクス知識グラフを用いている。
また, 予測された相互作用の予測後解析, およびリンプロテオミクス知識グラフのアブレーション分析を行い, 検討中のキナーゼの生物学的知見を得た。
- 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: The human proteome contains a vast network of interacting kinases and
substrates. Even though some kinases have proven to be immensely useful as
therapeutic targets, a majority are still understudied. In this work, we
present a novel knowledge graph representation learning approach to predict
novel interaction partners for understudied kinases. Our approach uses a
phosphoproteomic knowledge graph constructed by integrating data from iPTMnet,
Protein Ontology, Gene Ontology and BioKG. The representation of kinases and
substrates in this knowledge graph are learned by performing directed random
walks on triples coupled with a modified SkipGram or CBOW model. These
representations are then used as an input to a supervised classification model
to predict novel interactions for understudied kinases. We also present a
post-predictive analysis of the predicted interactions and an ablation study of
the phosphoproteomic knowledge graph to gain an insight into the biology of the
understudied kinases.
- Abstract（参考訳）: ヒトプロテオームは、相互作用するキナーゼと基質の広大なネットワークを含む。
いくつかのキナーゼは治療標的として非常に有用であることが証明されているが、大多数はまだ研究されていない。
本研究では,新しい知識グラフ表現学習手法を提案する。
提案手法では,iPTMnet,Protein Ontology,Gene Ontology,BioKGのデータを統合して構築したホスホプロテオミクス知識グラフを用いている。
この知識グラフにおけるキナーゼと基質の表現は、修正されたSkipGramまたはCBOWモデルと組み合わせたトリプル上のランダムウォークによって学習される。
これらの表現は教師付き分類モデルへの入力として使われ、未熟なキナーゼの新しい相互作用を予測する。
また, 予測された相互作用の予測後解析, およびリンプロテオミクス知識グラフのアブレーション分析を行い, 検討中のキナーゼの生物学的知見を得た。
関連論文リスト
- Gene-Metabolite Association Prediction with Interactive Knowledge Transfer Enhanced Graph for Metabolite Production [49.814615043389864]
メタボリックグラフに基づく遺伝子メタボリック・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション
2474の代謝産物と1947年の2つの一般的な微生物の遺伝子を含む最初のベンチマークを提示する。
提案手法は,各種リンク予測フレームワークのベースラインを最大12.3%向上させる。
論文 参考訳（メタデータ） (2024-10-24T06:54:27Z) - A deep graph model for the signed interaction prediction in biological network [1.03121181235382]
医薬品研究において、医薬品の再利用戦略は、研究開発コストを削減しつつ、新しい治療法の開発を加速させる。
ディープグラフモデルは、複雑な生物学的ネットワークのマッピングにおいて、その精度に欠かせないものとなっている。
本研究は, グラフ畳み込みネットワークとテンソル分解を利用して, 署名された化学・遺伝子相互作用を効果的に予測する高度なグラフモデルを提案する。
論文 参考訳（メタデータ） (2024-07-10T04:28:21Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - 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) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-01-14T15:07:43Z) - Medical Knowledge Graph QA for Drug-Drug Interaction Prediction based on
Multi-hop Machine Reading Comprehension [18.34651382394962]
本稿では,MedKGQAと呼ばれる医療知識グラフ質問応答モデルを提案する。
クローズドドメイン文献からの機械読解を利用してドラッグ・ドラッグ相互作用を予測し、オープンドメイン文書からドラッグ・タンパク質三重項の知識グラフを構築する。
提案モデルでは,従来のカンガルー・メドホップデータセットの最先端モデルと比較して薬物と薬物の相互作用予測の精度が4.5%向上した。
論文 参考訳（メタデータ） (2022-12-19T12:24:32Z) - Analysis of Drug repurposing Knowledge graphs for Covid-19 [0.0]
本研究は、薬物再資源知識グラフ(DRKG)を用いた新型コロナウイルスの候補薬剤のセットを提案する。
DRKGは、大量のオープンソースバイオメディカル知識を用いて構築された生物学的知識グラフである。
ノードと関係埋め込みは知識グラフ埋め込みモデルとニューラルネットワークおよび注意関連モデルを用いて学習される。
論文 参考訳（メタデータ） (2022-12-07T19:14:17Z) - 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) - Learning Unknown from Correlations: Graph Neural Network for
Inter-novel-protein Interaction Prediction [7.860159889216291]
既存のメソッドは、見えないデータセットでテストすると、パフォーマンスが大幅に低下します。
本稿では,タンパク質間相互作用予測のためのグラフニューラルネットワーク(GNN-PPI)を提案する。
論文 参考訳（メタデータ） (2021-05-14T08:42:55Z) - Temporal Positive-unlabeled Learning for Biomedical Hypothesis
Generation via Risk Estimation [46.852387038668695]
本稿では,仮説生成の科学的プロセスに機械学習を導入することを目的とする。
本稿では,ノード対埋め込みの学習において,前向きの確率を推定するための変分推論モデルを提案する。
実世界のバイオメディカルな用語関係データセットの実験結果と、COVID-19データセットのケーススタディ分析により、提案モデルの有効性が検証された。
論文 参考訳（メタデータ） (2020-10-05T10:58:03Z)
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。