論文の概要: Heterogeneous graph attention network improves cancer multiomics integration

• arxiv url: http://arxiv.org/abs/2408.02845v1
• Date: Mon, 5 Aug 2024 22:01:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-07 15:28:57.186901
• Title: Heterogeneous graph attention network improves cancer multiomics integration
• Title（参考訳）: 不均一グラフアテンションネットワークは癌マルチオミクスの統合を改善する
• Authors: Sina Tabakhi, Charlotte Vandermeulen, Ian Sudbery, Haiping Lu,
• Abstract要約: 癌診断を改善するため,オミクス統合のための異種グラフアテンションネットワーク(HeteroGATomics)を導入する。 3つのがんマルチオミクスデータセットの実験は、HeteroGATomicsのがん診断における優れたパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 8.729516996214537
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increase in high-dimensional multiomics data demands advanced integration models to capture the complexity of human diseases. Graph-based deep learning integration models, despite their promise, struggle with small patient cohorts and high-dimensional features, often applying independent feature selection without modeling relationships among omics. Furthermore, conventional graph-based omics models focus on homogeneous graphs, lacking multiple types of nodes and edges to capture diverse structures. We introduce a Heterogeneous Graph ATtention network for omics integration (HeteroGATomics) to improve cancer diagnosis. HeteroGATomics performs joint feature selection through a multi-agent system, creating dedicated networks of feature and patient similarity for each omic modality. These networks are then combined into one heterogeneous graph for learning holistic omic-specific representations and integrating predictions across modalities. Experiments on three cancer multiomics datasets demonstrate HeteroGATomics' superior performance in cancer diagnosis. Moreover, HeteroGATomics enhances interpretability by identifying important biomarkers contributing to the diagnosis outcomes.
• Abstract（参考訳）: 高次元のマルチオミクスデータの増加は、人間の病気の複雑さを捉えるために高度な統合モデルを必要とする。 グラフベースのディープラーニング統合モデルは、約束に反して、小さな患者コホートや高次元の特徴と闘い、しばしばオミクス間の関係をモデル化せずに独立した特徴選択を適用する。 さらに、従来のグラフベースのオミクスモデルでは、多種類のノードとエッジが欠如しており、多様な構造を捉えることに重点を置いている。 癌診断を改善するため,オミクス統合のための異種グラフアテンションネットワーク(HeteroGATomics)を導入する。 HeteroGATomicsはマルチエージェントシステムを通じて共同機能選択を行い、各オーミックモードに対して特徴と患者類似性の専用ネットワークを作成する。 これらのネットワークを1つのヘテロジニアスグラフに結合して、全体論的なオーミック固有表現を学習し、モーダル性にまたがる予測を統合する。 3つのがんマルチオミクスデータセットの実験は、HeteroGATomicsのがん診断における優れたパフォーマンスを示している。 さらに,HeteroGATomicsは診断結果に寄与する重要なバイオマーカーを同定することにより,解釈可能性を高める。

関連論文リスト

• Comparative Analysis of Multi-Omics Integration Using Advanced Graph Neural Networks for Cancer Classification [40.45049709820343]
  マルチオミクスデータ統合は、高次元性、データ複雑さ、および様々なオミクスタイプの異なる特徴により、大きな課題を生じさせる。 本研究では、グラフ畳み込みネットワーク(GCN)、グラフアテンションネットワーク(GAT)、グラフトランスフォーマーネットワーク(GTN)に基づくマルチオミクス(MO)統合のための3つのグラフニューラルネットワークアーキテクチャを評価する。
  論文  参考訳（メタデータ） (2024-10-05T16:17:44Z)
• LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
  本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
  論文  参考訳（メタデータ） (2024-08-30T16:26:04Z)
• The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
  ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。 最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
  論文  参考訳（メタデータ） (2024-07-12T18:04:32Z)
• Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
  そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。 PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。 腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
  論文  参考訳（メタデータ） (2024-04-11T09:07:40Z)
• IGCN: Integrative Graph Convolution Networks for patient level insights and biomarker discovery in multi-omics integration [2.0971479389679337]
  本稿では,癌分子サブタイプとバイオメディカル分類のための新しい統合ニューラルネットワークアプローチを提案する。 IGCNは、特定のクラスを予測するために患者に対してどのタイプのオミクスがより強調されるかを特定することができる。 IGCNは、様々なオミクスデータタイプから重要なバイオマーカーを特定できる。
  論文  参考訳（メタデータ） (2024-01-31T05:52:11Z)
• Integrate Any Omics: Towards genome-wide data integration for patient stratification [6.893309898200498]
  IntegrAOは、不完全なマルチオミクスデータを統合し、新しいサンプルを分類するための教師なしのフレームワークである。 不均一データや不完全データを扱うIntegratedAOの能力は、精度オンコロジーに不可欠なツールである。
  論文  参考訳（メタデータ） (2024-01-15T19:57:07Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• 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)
• Heterogeneous Similarity Graph Neural Network on Electronic Health Records [74.66674469510251]
  非均質な類似度グラフニューラルネットワーク(HSGNN)を提案し、新しい異種GNNでEHRを分析します。 フレームワークは2つの部分から構成される: 1つは前処理方式で、もう1つはエンドツーエンドのGNNである。 GNNは全ての同質グラフを入力として取り、それら全てを1つのグラフに融合して予測する。
  論文  参考訳（メタデータ） (2021-01-17T23:14:29Z)
• Heterogeneous Graph Neural Networks for Malicious Account Detection [64.0046412312209]
  GEMは、悪意のあるアカウントを検出するための、最初の異種グラフニューラルネットワークである。 我々は、デバイス集約とアクティビティ集約という2つの基本的な弱点に基づいて、異種アカウントデバイスグラフから差別的埋め込みを学習する。 実験により、我々のアプローチは、時間とともに競合する手法と比較して、常に有望な結果が得られることが示された。
  論文  参考訳（メタデータ） (2020-02-27T18:26:44Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。