論文の概要: Heterogeneous network and graph attention auto-encoder for LncRNA-disease association prediction
- arxiv url: http://arxiv.org/abs/2405.02354v1
- Date: Fri, 3 May 2024 02:15:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-07 20:29:40.598190
- Title: Heterogeneous network and graph attention auto-encoder for LncRNA-disease association prediction
- Title（参考訳）: LncRNA放出関連予測のための不均一ネットワークとグラフ注意自動エンコーダ
- Authors: Jin-Xing Liu, Wen-Yu Xi, Ling-Yun Dai, Chun-Hou Zheng, Ying-Lian Gao,
- Abstract要約: 本研究は、lncRNAと疾患の特徴を構築するために、バイオメディカルデータの複数のソースを十分に活用する。
HGATELDAと呼ばれるグラフアテンション自動エンコーダに基づく新しいディープラーニングモデルを提案する。
HGATELDAモデルは、5倍のクロスバリデーションを用いて評価すると、印象的なAUC値0.9692を達成する。
- 参考スコア（独自算出の注目度）: 11.73181429989457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The emerging research shows that lncRNAs are associated with a series of complex human diseases. However, most of the existing methods have limitations in identifying nonlinear lncRNA-disease associations (LDAs), and it remains a huge challenge to predict new LDAs. Therefore, the accurate identification of LDAs is very important for the warning and treatment of diseases. In this work, multiple sources of biomedical data are fully utilized to construct characteristics of lncRNAs and diseases, and linear and nonlinear characteristics are effectively integrated. Furthermore, a novel deep learning model based on graph attention automatic encoder is proposed, called HGATELDA. To begin with, the linear characteristics of lncRNAs and diseases are created by the miRNA-lncRNA interaction matrix and miRNA-disease interaction matrix. Following this, the nonlinear features of diseases and lncRNAs are extracted using a graph attention auto-encoder, which largely retains the critical information and effectively aggregates the neighborhood information of nodes. In the end, LDAs can be predicted by fusing the linear and nonlinear characteristics of diseases and lncRNA. The HGATELDA model achieves an impressive AUC value of 0.9692 when evaluated using a 5-fold cross-validation indicating its superior performance in comparison to several recent prediction models. Meanwhile, the effectiveness of HGATELDA in identifying novel LDAs is further demonstrated by case studies. the HGATELDA model appears to be a viable computational model for predicting LDAs.
- Abstract（参考訳）: 新たな研究は、lncRNAが複雑なヒトの病気と関連していることを示している。
しかし、既存の方法の多くは、非線形lncRNA-disease associations (LDAs) の同定に制限があり、新しいLDAを予測することは大きな課題である。
したがって, LDAの正確な同定は, 疾患の予防と治療に非常に重要である。
本研究は,lncRNAと疾患の特徴を構築するために,複数のバイオメディカルデータソースを十分に利用し,線形および非線形特性を効果的に統合するものである。
さらに,HGATELDAと呼ばれる,グラフアテンション自動エンコーダに基づく新しいディープラーニングモデルを提案する。
まず、mRNA-lncRNA相互作用マトリックスとmRNA-解離相互作用マトリックスによって、lncRNAと疾患の線形特性が生成される。
次に、重要な情報をほとんど保持し、ノードの近傍情報を効果的に集約するグラフアテンションオートエンコーダを用いて、疾患とlncRNAの非線形特徴を抽出する。
最終的に、LDAは病気とlncRNAの線形および非線形特性を融合させることで予測できる。
HGATELDAモデルは、最近の予測モデルと比較して、5倍のクロスバリデーションを用いて、印象的なAUC値0.9692を達成する。
一方,新規LDAの同定におけるHGATELDAの有効性は,ケーススタディによりさらに実証された。
HGATELDAモデルは、LDAを予測するための実行可能な計算モデルである。
関連論文リスト
- LoRA-BERT: a Natural Language Processing Model for Robust and Accurate Prediction of long non-coding RNAs [11.346750562942345]
長い非コードRNA(lncRNA)は多くの生物学的プロセスにおいて重要な調節因子である。
深層学習に基づくアプローチは、lncRNAを分類するために導入された。
LoRA-BERTは配列分類におけるヌクレオチドレベルの情報の重要性を捉えるように設計されている。
論文 参考訳（メタデータ） (2024-11-11T22:17:01Z) - Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。
DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。
特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
論文 参考訳（メタデータ） (2024-09-23T17:11:04Z) - LncRNA-disease association prediction method based on heterogeneous information completion and convolutional neural network [9.17998537192211]
lncRNA-disease associations (LDAs) の精度は、疾患の警告と治療に非常に重要である。
本稿では, HCNNLDA と命名されたlncRNA-解離関連予測に対して, 異種ネットワークと畳み込みニューラルネットワーク(CNN)に基づくディープラーニングモデルを提案する。
実験結果から,提案モデルがいくつかの最新の予測モデルよりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-06-02T06:11:27Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - MuCoMiD: A Multitask Convolutional Learning Framework for miRNA-Disease
Association Prediction [0.4061135251278187]
本稿では, MuCoMiD と呼ぶ新しいマルチタスク畳み込み方式を提案する。
MuCoMiDは、4つの異種生物情報ソースからの知識を取り入れつつ、自動特徴抽出を可能にする。
我々は、標準ベンチマークデータセットに関する大規模な実験と、より大規模な独立したテストセットとケーススタディを構築した。
MuCoMiDは、HMDDv2.0とHMDDv3.0データセットで5倍のCV評価を少なくとも5%改善し、最先端のアプローチよりも、目に見えない病気や目に見えない病気を持つ大規模独立テストセットで少なくとも49%改善した。
論文 参考訳（メタデータ） (2021-08-08T10:01:46Z) - Federated Deep AUC Maximization for Heterogeneous Data with a Constant
Communication Complexity [77.78624443410216]
異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。
本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。
FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
論文 参考訳（メタデータ） (2021-02-09T04:05:19Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Graph Convolution Networks Using Message Passing and Multi-Source
Similarity Features for Predicting circRNA-Disease Association [5.423563861462909]
本稿では,複数ソースの類似性情報を用いて構築されたグラフから特徴を学習し,循環RNA関連性を予測するグラフ畳み込みネットワークフレームワークを提案する。
種々の実験で5倍のクロスバリデーションが提案されたフレームワークは、circRNA-disease associationの予測に有望な結果を示している。
論文 参考訳（メタデータ） (2020-09-15T15:22:42Z) - Deep Belief Network based representation learning for lncRNA-disease
association prediction [0.0]
lncRNA-解離関連を正確に同定することは、lncRNAの機能と疾患機構を理解するのに不可欠である。
近年,生物学的ネットワーク解析において,ネットワーク特徴の潜在表現を学習するために,ディープ信頼ネットワーク (DBN) が用いられている。
本稿では,DBNをベースとしたlncRNA-解離関連予測モデル(DBNLDA)を提案する。
論文 参考訳（メタデータ） (2020-06-22T18:05:28Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z)
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。