Fugu-MT 論文翻訳(概要): Causal Discovery for Gene Regulatory Network Prediction

論文の概要: Causal Discovery for Gene Regulatory Network Prediction

arxiv url: http://arxiv.org/abs/2301.01110v1
Date: Tue, 3 Jan 2023 14:11:00 GMT
ステータス: 処理完了
システム内更新日: 2023-01-04 15:08:35.791930
Title: Causal Discovery for Gene Regulatory Network Prediction
Title（参考訳）: 遺伝子制御ネットワーク予測のための因果発見
Authors: Jacob Rast
Abstract要約: この研究では、各ノードは核酸、タンパク質、代謝物を表し、エッジは分子間相互作用を表す。潜在グラフ構造の発見のための新しいアルゴリズムを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Biological systems and processes are networks of complex nonlinear regulatory interactions between nucleic acids, proteins, and metabolites. A natural way in which to represent these interaction networks is through the use of a graph. In this formulation, each node represents a nucleic acid, protein, or metabolite and edges represent intermolecular interactions (inhibition, regulation, promotion, coexpression, etc.). In this work, a novel algorithm for the discovery of latent graph structures given experimental data is presented.
Abstract（参考訳）: 生物学的システムとプロセスは、核酸、タンパク質、代謝物間の複雑な非線形制御相互作用のネットワークである。これらの相互作用ネットワークを表現する自然な方法は、グラフを使うことである。この製剤では、各ノードは核酸、タンパク質または代謝物を表し、エッジは分子間相互作用(阻害、制御、促進、共発現など)を表す。本研究では,実験データを用いた潜在グラフ構造発見のための新しいアルゴリズムを提案する。

関連論文リスト

PhenoLinker: Phenotype-Gene Link Prediction and Explanation using Heterogeneous Graph Neural Networks [38.216545389032234]
本稿では、異種情報ネットワークと畳み込みニューラルネットワークに基づくグラフモデルを用いて、スコアを表現型-遺伝子関係に関連付けることができるPhenoLinkerを提案する。このシステムは、新しい関連の発見や、ヒトの遺伝的変異の結果の理解に役立てることができる。
論文参考訳（メタデータ） (2024-02-02T11:35:21Z)
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)
Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文参考訳（メタデータ） (2022-09-23T05:24:18Z)
An Artificial Chemistry Implementation of a Gene Regulatory Network [3.270664282725826]
遺伝子制御ネットワーク(英: Gene Regulatory Networks)は、タンパク質とペプチドの生産レベルを決定する生物学的生物の相互作用ネットワークである。本研究では、細胞オートマタと人工化学を組み込んだ、生物学的により現実的な遺伝子制御ネットワークモデルを提案する。システムの初期状態が生成したダイナミクスに与える影響の分析を行い、そのような進化可能なモデルが所望のタンパク質のダイナミクスの生成に向けられることを示した。
論文参考訳（メタデータ） (2022-09-09T04:06:39Z)
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)
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)
Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
論文参考訳（メタデータ） (2022-05-15T11:38:14Z)
Gene Function Prediction with Gene Interaction Networks: A Context Graph Kernel Approach [24.234645183601998]
そこで本研究では,焦点遺伝子に関連付けられた遺伝子相互作用ネットワークとして,遺伝子コンテキストグラフを用いた機能推定を提案する。カーネルベースの機械学習フレームワークでは、コンテキストグラフで情報をキャプチャするコンテキストグラフカーネルを設計する。
論文参考訳（メタデータ） (2022-04-22T02:54:01Z)
Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
論文参考訳（メタデータ） (2021-07-21T03:34:09Z)
Graph Structure of Neural Networks [104.33754950606298]
ニューラルネットワークのグラフ構造が予測性能にどのように影響するかを示す。リレーショナルグラフの"スイートスポット"は、予測性能を大幅に改善したニューラルネットワークにつながる。トップパフォーマンスニューラルネットワークは、実際の生物学的ニューラルネットワークと驚くほどよく似たグラフ構造を持つ。
論文参考訳（メタデータ） (2020-07-13T17:59:31Z)
A Graph Feature Auto-Encoder for the Prediction of Unobserved Node Features on Biological Networks [3.132875765271743]
我々は,E. Coli とマウスにおける生物学的相互作用ネットワークの表現について,グラフニューラルネットワークを用いて検討した。そこで我々は,機能再構築タスクに基づいて学習した,エンドツーエンドのグラフ機能自動エンコーダを提案する。自動エンコーダはタンパク質相互作用情報を使用しない最先端の計算手法より優れていた。
論文参考訳（メタデータ） (2020-05-08T11:23:04Z)

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。