Fugu-MT 論文翻訳(概要): Heterogeneous Causal Metapath Graph Neural Network for Gene-Microbe-Disease Association Prediction

論文の概要: Heterogeneous Causal Metapath Graph Neural Network for Gene-Microbe-Disease Association Prediction

arxiv url: http://arxiv.org/abs/2406.19156v1
Date: Thu, 27 Jun 2024 13:17:33 GMT
ステータス: 処理完了
システム内更新日: 2024-06-28 14:08:07.749155
Title: Heterogeneous Causal Metapath Graph Neural Network for Gene-Microbe-Disease Association Prediction
Title（参考訳）: 遺伝子組換えアソシエーション予測のための不均一因果メタパスグラフニューラルネットワーク
Authors: Kexin Zhang, Feng Huang, Luotao Liu, Zhankun Xiong, Hongyu Zhang, Yuan Quan, Wen Zhang,
Abstract要約: 本稿では,遺伝子・微生物・疾患関連性を予測するため,異種因果性メタパスグラフニューラルネットワークを提案する。実験の結果,HCMGNNはGMD関連を効果的に予測し,関連空間の問題に対処できることがわかった。
参考スコア（独自算出の注目度）: 12.538590171093764
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The recent focus on microbes in human medicine highlights their potential role in the genetic framework of diseases. To decode the complex interactions among genes, microbes, and diseases, computational predictions of gene-microbe-disease (GMD) associations are crucial. Existing methods primarily address gene-disease and microbe-disease associations, but the more intricate triple-wise GMD associations remain less explored. In this paper, we propose a Heterogeneous Causal Metapath Graph Neural Network (HCMGNN) to predict GMD associations. HCMGNN constructs a heterogeneous graph linking genes, microbes, and diseases through their pairwise associations, and utilizes six predefined causal metapaths to extract directed causal subgraphs, which facilitate the multi-view analysis of causal relations among three entity types. Within each subgraph, we employ a causal semantic sharing message passing network for node representation learning, coupled with an attentive fusion method to integrate these representations for predicting GMD associations. Our extensive experiments show that HCMGNN effectively predicts GMD associations and addresses association sparsity issue by enhancing the graph's semantics and structure.
Abstract（参考訳）: 近年のヒト医学における微生物への注目は、病気の遺伝的枠組みにおけるその役割を浮き彫りにしている。遺伝子、微生物、疾患間の複雑な相互作用をデコードするためには、遺伝子・微生物・疾患関連(GMD)の計算予測が不可欠である。既存の方法は、主に遺伝子消失と微生物分解の関連に対処するが、より複雑なトリプルワイドGMD関連はいまだ研究されていない。本稿では,GMD関連性を予測するため,HCMGNN(Heterogeneous Causal Metapath Graph Neural Network)を提案する。 HCMGNNは、遺伝子、微生物、病気を相互に関連付ける異種グラフを構築し、事前に定義された6つの因果メタパスを用いて、有向因果サブグラフを抽出し、3つの実体タイプ間の因果関係の多視点解析を容易にする。各サブグラフには,ノード表現学習のための因果意味共有メッセージパッシングネットワークと,これらの表現を統合してGMDアソシエーションを予測するための注意深い融合手法が組み込まれている。 HCMGNNは, グラフのセマンティクスと構造を向上することにより, GMDの関連性を効果的に予測し, 関連性の問題に対処することを示す。

関連論文リスト

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)
HeTriNet: Heterogeneous Graph Triplet Attention Network for Drug-Target-Disease Interaction [1.4686956115342287]
我々は、新しい異種グラフトリプルト注意ネットワーク(textttHeTriNet)を開発した。 textttHeTriNetは、この異種グラフ構造の中に新しい三重項注意機構を導入している。実世界のデータセットの実験結果から、texttHeTriNetはいくつかのベースラインを上回っている。
論文参考訳（メタデータ） (2023-11-30T20:55:57Z)
Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文参考訳（メタデータ） (2023-11-28T09:14:55Z)
Knowledge Graph Completion based on Tensor Decomposition for Disease Gene Prediction [2.838553480267889]
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。
論文参考訳（メタデータ） (2023-02-18T13:57:44Z)
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)
Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
論文参考訳（メタデータ） (2022-10-18T21:15:10Z)
Graph Neural Networks for Microbial Genome Recovery [64.91162205624848]
本稿では,グラフニューラルネットワーク(GNN)を用いて,メダゲノミクスビニングのためのコンティグ表現を学習する際のアセンブリグラフを活用することを提案する。提案手法であるVaeG-Binは,個々のコンティグの潜在表現を学習するための変分オートエンコーダと,アセンブリグラフ内のコンティグの近傍構造を考慮したGNNを組み合わせる。
論文参考訳（メタデータ） (2022-04-26T12:49:51Z)
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)
Interpretable Drug Synergy Prediction with Graph Neural Networks for Human-AI Collaboration in Healthcare [23.151336811933938]
本研究は,遺伝子と薬物の結合予測における遺伝子と薬物の制御関係を組み込むディープグラフニューラルネットワーク(IDSP)を提案する。 idspは遺伝子と薬物ノードの関係に基づいてエッジの重みを自動的に多層パーセプトロン(mlp)で学習し、インダクティブな方法で情報を集約する。 46種類のコアがんシグナル伝達経路の遺伝子と、NCIアルマナックの薬物併用スクリーニングデータからの薬物併用によるシグナルネットワーク上でIDWSPをテストします。
論文参考訳（メタデータ） (2021-05-14T22:20:29Z)
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)
A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。