Fugu-MT 論文翻訳(概要): gFlora: a topology-aware method to discover functional co-response groups in soil microbial communities

論文の概要: gFlora: a topology-aware method to discover functional co-response groups in soil microbial communities

arxiv url: http://arxiv.org/abs/2407.03897v1
Date: Thu, 4 Jul 2024 12:43:53 GMT
ステータス: 処理完了
システム内更新日: 2024-07-08 18:03:13.841352
Title: gFlora: a topology-aware method to discover functional co-response groups in soil microbial communities
Title（参考訳）: gFlora:土壌微生物群集における機能的共応答群発見のためのトポロジー認識手法
Authors: Nan Chen, Merlijn Schram, Doina Bucur,
Abstract要約: 機能的共応答群:共応答効果が機能的変数と統計的によく関連している分類群を学習することを目指している。土壌微生物群集を分類群をノードとした生態共起ネットワークとしてモデル化する。我々は、この共起ネットワーク上でグラフ畳み込みを用いて、グループ間の共応答効果を得るgFloraと呼ばれる手法を設計する。
参考スコア（独自算出の注目度）: 2.6884929428864353
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We aim to learn the functional co-response group: a group of taxa whose co-response effect (the representative characteristic of the group) associates well statistically with a functional variable. Different from the state-of-the-art method, we model the soil microbial community as an ecological co-occurrence network with the taxa as nodes (weighted by their abundance) and their relationships (a combination from both spatial and functional ecological aspects) as edges (weighted by the strength of the relationships). Then, we design a method called gFlora which notably uses graph convolution over this co-occurrence network to get the co-response effect of the group, such that the network topology is also considered in the discovery process. We evaluate gFlora on two real-world soil microbiome datasets (bacteria and nematodes) and compare it with the state-of-the-art method. gFlora outperforms this on all evaluation metrics, and discovers new functional evidence for taxa which were so far under-studied. We show that the graph convolution step is crucial to taxa with low abundance, and the discovered bacteria of different genera are distributed in the co-occurrence network but still tightly connected among themselves, demonstrating that topologically they fill different but collaborative functional roles in the ecological community.
Abstract（参考訳）: 機能的共応答群:共応答効果(群の代表的特徴)が機能的変数と統計的によく関連している分類群の学習を目指す。現状の方法とは違って, 土壌微生物群集は, 分類群をノードとし, それらの関係(空間的および機能的生態学的側面の組合せ)をエッジ(関係の強さによる重み付け)として, 生態的共起ネットワークとしてモデル化する。そこで我々は,この共起ネットワーク上のグラフ畳み込みを利用して,ネットワークトポロジが発見過程において考慮されるような,グループ間の共応答効果を得るために,gFloraと呼ばれる手法を設計する。実地土壌微生物叢(細菌および線虫類)を用いて, gFlora の評価を行い, 最先端の方法と比較した。 gFloraは全ての評価指標でこれより優れており、これまで研究されていない分類の新たな機能的証拠を発見している。グラフの畳み込み過程は, 個体数が少なく, 異なる属の細菌が共起ネットワークに分布するが, 相互に密接な関係にあり, トポロジカルに生態学的に異なる機能的役割を担っていることを示す。

関連論文リスト

Understanding the Effect of GCN Convolutions in Regression Tasks [8.299692647308323]
グラフ畳み込みネットワーク(GCN)は、グラフ上の関数をモデル化する機械学習において重要な手法となっている。本稿では、同好ネットワーク上の回帰タスクにおける畳み込み演算子の影響を公式解析する。
論文参考訳（メタデータ） (2024-10-26T04:19:52Z)
UMMAN: Unsupervised Multi-graph Merge Adversarial Network for Disease Prediction Based on Intestinal Flora [0.18641315013048299]
我々は、新しいアーキテクチャ、unsupervised Multi-graph Adversarial Network (UMMAN)を提案する。 UMMANは、教師なしのシナリオでマルチグラフのノードの埋め込みを得ることができ、多重化関連を学習するのに役立ちます。本稿では,ノード間の関係を乱し,対応するShuffled-Graphを生成するために,複雑な関係型を用いる。
論文参考訳（メタデータ） (2024-07-31T16:06:43Z)
Towards Statistically Significant Taxonomy Aware Co-location Pattern Detection [4.095979270829907]
目的は、統計的に重要な特徴タイプや両親のサブセットを見つけることである。この問題は、分類学によって生成される候補コロケーションパターンの指数的な数によって、計算的に困難である。本稿では,コロケーションパターンの統計的意義を取り入れ,評価する2つの手法を提案する。
論文参考訳（メタデータ） (2024-06-29T04:48:39Z)
Exploiting Hierarchical Interactions for Protein Surface Learning [52.10066114039307]
本質的には、タンパク質表面のポテンシャル関数部位は、幾何学的特徴と化学的特徴の両方によって決定される。本稿では,ディープラーニング技術,すなわち階層型化学・幾何学的特徴相互作用ネットワーク(HCGNet)に基づく原則的フレームワークを提案する。提案手法は,現場予測タスクが2.3%,インタラクションマッチングタスクが3.2%,従来の最先端手法が2.3%向上した。
論文参考訳（メタデータ） (2024-01-17T14:10:40Z)
Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-01-05T09:05:33Z)
On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
論文参考訳（メタデータ） (2024-01-01T02:03:35Z)
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)
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)
RepBin: Constraint-based Graph Representation Learning for Metagenomic Binning [12.561034842067889]
本稿では,ノードがサブシーケンスであり,エッジがホモフィリー情報を表すグラフを用いた新しい定式化を提案する。我々は,ホモフィリな関係とヘテロフィリな制約の両方を保持するグラフ表現学習のための新しいアルゴリズムを開発した。我々の手法はRepBinと呼ばれ、様々な競合する手法より優れている。
論文参考訳（メタデータ） (2021-12-22T07:01:01Z)
PhD dissertation to infer multiple networks from microbial data [0.0]
微生物ネットワークは、サンプルタキサカウント行列から構築された重み付きグラフである。このグラフのノードは微生物の分類であり、エッジはこれらの分類のペアの関連を表す。
論文参考訳（メタデータ） (2020-10-12T19:16:26Z)
Understanding Negative Sampling in Graph Representation Learning [87.35038268508414]
最適化目標と結果のばらつきを決定するためには, 正のサンプリングと同様に負のサンプリングが重要であることを示す。我々は,自己コントラスト近似による正の分布を近似し,メトロポリス・ハスティングスによる負のサンプリングを高速化するメトロポリス・ハスティングス(MCNS)を提案する。提案手法は,リンク予測,ノード分類,パーソナライズドレコメンデーションを含む,下流グラフ学習タスクをカバーする5つのデータセットに対して評価する。
論文参考訳（メタデータ） (2020-05-20T06:25:21Z)

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。