論文の概要: A Review of Link Prediction Applications in Network Biology
- arxiv url: http://arxiv.org/abs/2312.01275v1
- Date: Sun, 3 Dec 2023 04:23:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 18:20:44.990890
- Title: A Review of Link Prediction Applications in Network Biology
- Title（参考訳）: ネットワーク生物学におけるリンク予測応用の展望
- Authors: Ahmad F. Al Musawi, Satyaki Roy, Preetam Ghosh
- Abstract要約: リンク予測(LP)手法は、生物学的ネットワーク内での欠落や予知の関連を推測するのに役立つ。
静的, 動的生物学的ネットワークに適用した, 局所的, 集中的, 埋め込み型LPアプローチの属性を系統的に識別する。
今後のLPモデルから期待される本質的な特徴を探求し, 生物学的システムを管理する複雑な相互作用の理解を深めるべく, レビューを締めくくった。
- 参考スコア（独自算出の注目度）: 2.7624021966289605
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the domain of network biology, the interactions among heterogeneous
genomic and molecular entities are represented through networks. Link
prediction (LP) methodologies are instrumental in inferring missing or
prospective associations within these biological networks. In this review, we
systematically dissect the attributes of local, centrality, and embedding-based
LP approaches, applied to static and dynamic biological networks. We undertake
an examination of the current applications of LP metrics for predicting links
between diseases, genes, proteins, RNA, microbiomes, drugs, and neurons. We
carry out comprehensive performance evaluations on established biological
network datasets to show the practical applications of standard LP models.
Moreover, we compare the similarity in prediction trends among the models and
the specific network attributes that contribute to effective link prediction,
before underscoring the role of LP in addressing the formidable challenges
prevalent in biological systems, ranging from noise, bias, and data sparseness
to interpretability. We conclude the review with an exploration of the
essential characteristics expected from future LP models, poised to advance our
comprehension of the intricate interactions governing biological systems.
- Abstract（参考訳）: ネットワーク生物学の領域では、異種ゲノムと分子の相互作用はネットワークを介して表現される。
リンク予測(LP)手法は、これらの生物学的ネットワーク内での欠落または予見的な関連を推測するのに役立つ。
本稿では,静的および動的生物ネットワークに適用する局所的,中心性,埋め込み型lpアプローチの属性を体系的に分類する。
我々は、疾患、遺伝子、タンパク質、rna、マイクロバイオーム、薬物、ニューロン間の関連を予測するためのlpメトリクスの現在の応用について検討する。
確立された生物学的ネットワークデータセット上で総合的な性能評価を行い,標準LPモデルの実用性を示す。
さらに, モデル間の予測傾向の類似性と, 効果的なリンク予測に寄与する特定のネットワーク属性を比較し, 雑音, バイアス, データのスパース性, 解釈可能性など, 生体システムで一般的な課題に対処する上でのlpの役割を強調する。
今後のLPモデルから期待される本質的な特徴を探求し, 生物学的システムを管理する複雑な相互作用の理解を深めるべく, レビューを締めくくった。
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) - Network-based Neighborhood regression [0.0]
生物学的モジュールの現在の統計分析は、ネットワークデータを用いることなく、生物学的ネットワーク内の機能モジュールを検出するか、または生物学的特徴のサブグループ回帰を検出することに焦点を当てている。
本稿では,グローバルなコミュニティレベルの情報と,エンティティ間のローカル接続構造に依存する,新たなネットワークベースの地区回帰フレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-04T18:08:40Z) - Adjoint Sensitivity Analysis on Multi-Scale Bioprocess Stochastic Reaction Network [2.6130735302655554]
本稿では,機械的モデルパラメータの学習を高速化するための随伴感度アプローチを提案する。
本稿では,多スケールのバイオプロセス力学モデルを表す酵素解析(SA)について考察する。
論文 参考訳（メタデータ） (2024-05-07T05:06:45Z) - 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) - PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。
GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。
我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
論文 参考訳（メタデータ） (2023-10-12T23:46:08Z) - Simulation-based Inference for Cardiovascular Models [57.92535897767929]
シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。
臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。
我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
論文 参考訳（メタデータ） (2023-07-26T02:34:57Z) - Bayes optimal learning in high-dimensional linear regression with network side information [4.489713477369384]
ネットワークの形でサイド情報を持つ教師付き学習問題は、ゲノム学、神経科学の分野で頻繁に発生する。
本稿では,ネットワーク側情報を用いた高次元線形回帰におけるベイズ最適学習の研究を開始する。
論文 参考訳（メタデータ） (2023-06-09T05:39:10Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Heterogeneous Graph based Deep Learning for Biomedical Network Link
Prediction [7.628651624423363]
バイオメディカルネットワークリンクを予測するためのグラフペアベースのリンク予測モデル(GPLP)を提案する。
InPでは、既知のネットワーク相互作用行列から抽出された1ホップのサブグラフを学習し、欠落リンクを予測する。
本手法は他のバイオメディカルネットワークにおける潜在的な応用を実証する。
論文 参考訳（メタデータ） (2021-01-28T07:35:29Z) - Towards Interaction Detection Using Topological Analysis on Neural
Networks [55.74562391439507]
ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。
本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。
PID(Persistence Interaction Detection)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2020-10-25T02:15:24Z) - Predicting Biomedical Interactions with Higher-Order Graph Convolutional
Networks [2.9488233765621295]
本稿では,生物医学的相互作用予測のための高次グラフ畳み込みネットワーク(HOGCN)を提案する。
タンパク質-タンパク質、薬物-ドラッグ、薬物-ターゲット、遺伝子-放出相互作用を含む4つの相互作用ネットワークの実験は、HOGCNがより正確で校正された予測を達成していることを示している。
論文 参考訳（メタデータ） (2020-10-16T17:16:09Z)
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。