論文の概要: A deep graph model for the signed interaction prediction in biological network

• arxiv url: http://arxiv.org/abs/2407.07357v2
• Date: Mon, 17 Mar 2025 23:54:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:11:23.174749
• Title: A deep graph model for the signed interaction prediction in biological network
• Title（参考訳）: 生体ネットワークにおけるサイン付き相互作用予測のためのディープグラフモデル
• Authors: Shuyi Jin, Mengji Zhang, Meijie Wang, Lun Yu,
• Abstract要約: 生物学的ネットワークにおける署名された相互作用の予測は、薬物のメカニズムを理解し、薬物の再利用を促進するために重要である。 textbfRGCNTDは、極性(活性化、阻害など)と非極性(結合、影響など)の両方を予測できるように設計されている。 我々は,新たな評価指標である textitAUCtextsubscriptpolarity と textitCP@500 を導入し,相互作用型を識別するモデルの能力を評価する。
• 参考スコア（独自算出の注目度）: 1.03121181235382
• License:
• Abstract: Predicting signed interactions in biological networks is crucial for understanding drug mechanisms and facilitating drug repurposing. While deep graph models have demonstrated success in modeling complex biological systems, existing approaches often fail to distinguish between positive and negative interactions, limiting their utility for precise pharmacological predictions. In this study, we propose a novel deep graph model, \textbf{RGCNTD} (Relational Graph Convolutional Network with Tensor Decomposition), designed to predict both polar (e.g., activation, inhibition) and non-polar (e.g., binding, affect) chemical-gene interactions. Our model integrates graph convolutional networks with tensor decomposition to enhance feature representation and incorporates a conflict-aware sampling strategy to resolve polarity ambiguities. We introduce new evaluation metrics, \textit{AUC\textsubscript{polarity}} and \textit{CP@500}, to assess the model's ability to differentiate interaction types. Experimental results demonstrate that \textbf{RGCNTD} outperforms baseline models, achieving superior classification accuracy and improved discrimination of polar edges. Furthermore, we analyze the impact of subgraph components on predictive performance, revealing that additional network structures do not always enhance accuracy. These findings highlight the importance of polarity-aware modeling in drug discovery and network pharmacology, providing a robust framework for predicting complex biological interactions.
• Abstract（参考訳）: 生物学的ネットワークにおける署名された相互作用の予測は、薬物のメカニズムを理解し、薬物の再利用を促進するために重要である。 ディープグラフモデルは複雑な生物学的システムをモデル化することに成功したが、既存のアプローチでは正と負の相互作用を区別できず、薬理学の正確な予測に限界がある。 本研究では, 極性(eg, 活性化, 抑制)と非極性(eg, 結合, 影響)の相互作用を予測するために設計された新しいディープグラフモデル, \textbf{RGCNTD}(テンソル分解による関係グラフ畳み込みネットワーク)を提案する。 提案モデルは,グラフ畳み込みネットワークとテンソル分解を統合して特徴表現を強化し,極性の曖昧さを解消するための競合認識サンプリング戦略を組み込む。 我々は、相互作用型を識別するモデルの能力を評価するために、新しい評価指標である \textit{AUC\textsubscript{polarity}} と \textit{CP@500} を導入する。 実験の結果, <textbf{RGCNTD} はベースラインモデルより優れ, 分類精度が向上し, 極端エッジの識別性が向上した。 さらに,部分グラフ成分が予測性能に与える影響を解析した結果,追加のネットワーク構造が必ずしも精度を高めるとは限らないことがわかった。 これらの知見は、薬物発見とネットワーク薬理学における極性認識モデリングの重要性を強調し、複雑な生物学的相互作用を予測するための堅牢な枠組みを提供する。

関連論文リスト

• Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
  本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。 全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
  論文  参考訳（メタデータ） (2023-11-15T06:34:00Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• A Deep Learning Approach to the Prediction of Drug Side-Effects on Molecular Graphs [2.4087148947930634]
  グラフニューラルネットワークを用いて薬物副作用を予測する手法を開発した。 私たちは、自由にアクセス可能で、確立されたデータソースからデータセットを構築します。 その結果,本手法は,多くのパラメータや指標の下で,分類能力の向上を図っている。
  論文  参考訳（メタデータ） (2022-11-30T10:12:41Z)
• Predicting Biomedical Interactions with Probabilistic Model Selection for Graph Neural Networks [5.156812030122437]
  現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、そのような相互作用の実験的同定には時間と費用がかかる。 ディープグラフニューラルネットワークは、グラフ構造データモデリングの有効性を示し、バイオメディカル相互作用予測において優れた性能を達成した。 提案手法により,グラフ畳み込みネットワークは,その深度を動的に適応し,対話数の増加に対応することができる。
  論文  参考訳（メタデータ） (2022-11-22T20:44:28Z)
• Interpreting the Mechanism of Synergism for Drug Combinations Using Attention-Based Hierarchical Graph Pooling [10.898133007285638]
  我々は、基礎となる根本的治療目標と相乗効果(MoS)のメカニズムを明らかにする解釈可能なグラフニューラルネットワーク(GNN)を開発した。 提案したGNNモデルは、検出された重要なサブ分子ネットワークに基づいて、薬物結合の相乗効果を予測し、解釈する体系的な方法を提供する。
  論文  参考訳（メタデータ） (2022-09-19T11:18:45Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• Hierarchical Graph Representation Learning for the Prediction of Drug-Target Binding Affinity [7.023929372010717]
  本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。 本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
  論文  参考訳（メタデータ） (2022-03-22T04:50:16Z)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• 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)
• Graph Neural Networks for the Prediction of Substrate-Specific Organic Reaction Conditions [79.45090959869124]
  有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。 実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2020-07-08T17:21:00Z)

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。