Fugu-MT 論文翻訳(概要): Knowledge Graph Completion based on Tensor Decomposition for Disease Gene Prediction

論文の概要: Knowledge Graph Completion based on Tensor Decomposition for Disease Gene Prediction

arxiv url: http://arxiv.org/abs/2302.09335v1
Date: Sat, 18 Feb 2023 13:57:44 GMT
ステータス: 処理完了
システム内更新日: 2023-02-21 19:14:34.529258
Title: Knowledge Graph Completion based on Tensor Decomposition for Disease Gene Prediction
Title（参考訳）: テンソル分解に基づくナレッジグラフの完成と疾患遺伝子予測
Authors: Xinyan Wang, Ting Jia, Chongyu Wang, Kuan Xu, Zixin Shu, Kuo Yang, Xuezhong Zhou
Abstract要約: 疾患や遺伝子を中心とした生物学的知識グラフを構築し,疾患発生予測のためのエンドツーエンドの知識グラフ補完モデルを構築した。 KDGeneは、実体の埋め込みとテンソル分解との関係の間の相互作用モジュールを導入し、生物学的知識における情報相互作用を効果的に強化する。
参考スコア（独自算出の注目度）: 2.838553480267889
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate identification of disease genes has consistently been one of the keys to decoding a disease's molecular mechanism. Most current approaches focus on constructing biological networks and utilizing machine learning, especially, deep learning to identify disease genes, but ignore the complex relations between entities in the biological knowledge graph. In this paper, we construct a biological knowledge graph centered on diseases and genes, and develop an end-to-end Knowledge graph completion model for Disease Gene Prediction using interactional tensor decomposition (called KDGene). KDGene introduces an interaction module between the embeddings of entities and relations to tensor decomposition, which can effectively enhance the information interaction in biological knowledge. Experimental results show that KDGene significantly outperforms state-of-the-art algorithms. Furthermore, the comprehensive biological analysis of the case of diabetes mellitus confirms KDGene's ability for identifying new and accurate candidate genes. This work proposes a scalable knowledge graph completion framework to identify disease candidate genes, from which the results are promising to provide valuable references for further wet experiments.
Abstract（参考訳）: 疾患遺伝子の正確な同定は、疾患の分子機構を解読するための鍵の1つである。現在のアプローチのほとんどは、生体ネットワークの構築と機械学習、特に深層学習による疾患遺伝子同定に焦点を当てているが、生物学的知識グラフにおけるエンティティ間の複雑な関係を無視している。本稿では、疾患や遺伝子を中心とした生物学的知識グラフを構築し、相互作用テンソル分解(KDGene)を用いた疾患遺伝子予測のためのエンドツーエンド知識グラフ補完モデルを開発する。 KDGeneは、実体の埋め込みとテンソル分解との関係の間の相互作用モジュールを導入し、生物学的知識における情報相互作用を効果的に強化する。実験の結果,KDGeneは最先端のアルゴリズムよりも優れていた。さらに、糖尿病の包括的生物学的解析により、kdgeneが新規かつ正確な候補遺伝子を同定する能力が確認された。本研究は,病気候補遺伝子を同定するためのスケーラブルな知識グラフ補完フレームワークを提案する。

関連論文リスト

Improving Disease Comorbidity Prediction Based on Human Interactome with Biologically Supervised Graph Embedding [0.0]
合併症は、疾患の理解と管理に重大な影響を及ぼす。人間の相互作用は、大きな不完全グラフとして、共生予測に有用な特徴を抽出する上で、独自の課題を提示している。 BSE (Biologically Supervised Graph Embedding) では、最も関連性の高い特徴を選択して、合併症のペアの予測精度を高めることができる。
論文参考訳（メタデータ） (2024-10-08T03:52:12Z)
Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
論文参考訳（メタデータ） (2024-06-05T06:42:27Z)
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)
Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文参考訳（メタデータ） (2023-10-10T14:37:17Z)
Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文参考訳（メタデータ） (2023-09-26T03:59:21Z)
Applying BioBERT to Extract Germline Gene-Disease Associations for Building a Knowledge Graph from the Biomedical Literature [0.0]
本稿では,ジェムリン遺伝子と疾患を結合する知識グラフ構築手法SimpleGermKGを提案する。遺伝子および疾患の抽出には、バイオメディカルコーパス上でトレーニング済みのBERTモデルであるBioBERTを用いる。記事,遺伝子,疾患間の意味的関連性について,部分的関係性アプローチを実装した。知識グラフには297の遺伝子、130の疾患、46,747のトリプルが含まれている。
論文参考訳（メタデータ） (2023-09-11T18:05:12Z)
Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
がんは心臓血管疾患の2番目の死因である。遺伝子発現は癌の早期発見において基本的な役割を担っている。本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
論文参考訳（メタデータ） (2023-01-28T15:03:03Z)
Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文参考訳（メタデータ） (2023-01-07T18:36:44Z)
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)
Predicting Gene-Disease Associations with Knowledge Graph Embeddings over Multiple Ontologies [0.0]
オントロジーに基づく遺伝子障害関連性を予測するアプローチには、知識グラフの埋め込みが含まれる。知識グラフ埋め込みが遺伝子・酵素関連などの複雑なタスクに与える影響について検討する。
論文参考訳（メタデータ） (2021-05-11T11:20:38Z)
Relation-weighted Link Prediction for Disease Gene Identification [0.3078691410268859]
このようなグラフ上の疾患遺伝子を識別する新しい機械学習手法を提案する。我々のアルゴリズムは、病気遺伝子同定における最先端の競争相手を24.1%上回っている。また, パーキンソン病の臨床治験における薬物標的の予測に関して, 標的同定の主導的取り組みである Open Targets よりも高い精度を達成できることが示唆された。
論文参考訳（メタデータ） (2020-11-10T15:09:33Z)

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。