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
- Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Improved K-mer Based Prediction of Protein-Protein Interactions With
Chaos Game Representation, Deep Learning and Reduced Representation Bias [0.0]
本稿では,対話データセットからユニークなペアを抽出し,非バイアス付き機械学習のための非冗長なペアデータを生成する手法を提案する。
我々は,タンパク質のコード遺伝子のカオスゲーム表現から相互作用を学習し,予測できる畳み込みニューラルネットワークモデルを開発した。
論文 参考訳(メタデータ) (2023-10-23T10:02:23Z) - 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 neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳(メタデータ) (2022-07-25T11:30:44Z) - 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) - Improved Drug-target Interaction Prediction with Intermolecular Graph
Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。
分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。
IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文 参考訳(メタデータ) (2021-10-14T13:28:02Z) - 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。