Fugu-MT 論文翻訳(概要): GATher: Graph Attention Based Predictions of Gene-Disease Links

論文の概要: GATher: Graph Attention Based Predictions of Gene-Disease Links

arxiv url: http://arxiv.org/abs/2409.16327v1
Date: Mon, 23 Sep 2024 12:36:44 GMT
ステータス: 処理完了
システム内更新日: 2024-09-27 08:51:05.863491
Title: GATher: Graph Attention Based Predictions of Gene-Disease Links
Title（参考訳）: GATher: グラフ注意に基づくジェネレーション・ディスリーズ・リンクの予測
Authors: David Narganes-Carlon, Anniek Myatt, Mani Mudaliar, Daniel J. Crowther,
Abstract要約: GATherは、治療的遺伝子消失リンクを予測するために設計されたグラフアテンションネットワークである。様々なバイオメディカルソースからのデータを440万のエッジを持つグラフに統合する。 ROC AUCが0.69で, 有効性は0.79で臨床治験結果を予測する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Target selection is crucial in pharmaceutical drug discovery, directly influencing clinical trial success. Despite its importance, drug development remains resource-intensive, often taking over a decade with significant financial costs. High failure rates highlight the need for better early-stage target selection. We present GATher, a graph attention network designed to predict therapeutic gene-disease links by integrating data from diverse biomedical sources into a graph with over 4.4 million edges. GATher incorporates GATv3, a novel graph attention convolution layer, and GATv3HeteroConv, which aggregates transformations for each edge type, enhancing its ability to manage complex interactions within this extensive dataset. Utilizing hard negative sampling and multi-task pre-training, GATher addresses topological imbalances and improves specificity. Trained on data up to 2018 and evaluated through 2024, our results show GATher predicts clinical trial outcomes with a ROC AUC of 0.69 for unmet efficacy failures and 0.79 for positive efficacy. Feature attribution methods, using Captum, highlight key nodes and relationships, enhancing model interpretability. By 2024, GATher improved precision in prioritizing the top 200 clinical trial targets to 14.1%, an absolute increase of over 3.5% compared to other methods. GATher outperforms existing models like GAT, GATv2, and HGT in predicting clinical trial outcomes, demonstrating its potential in enhancing target validation and predicting clinical efficacy and safety.
Abstract（参考訳）: 標的選択は医薬品の発見に不可欠であり、臨床治験の成功に直接影響を及ぼす。その重要性にも拘わらず、医薬品開発は資源集約的であり、しばしばかなりの財政費で10年以上かかる。高い失敗率は、アーリーステージのターゲット選択の改善の必要性を浮き彫りにする。 GATherは,多様な生物医学的資料から得られたデータを440万回以上のエッジを持つグラフに統合することにより,治療的遺伝子消失リンクを予測するように設計されたグラフアテンションネットワークである。 GATherには、新しいグラフアテンション畳み込み層であるGATv3と、エッジタイプの変換を集約するGATv3HeteroConvが組み込まれており、この広範なデータセット内で複雑なインタラクションを管理する能力を高めている。ハードネガティブサンプリングとマルチタスク事前トレーニングを利用することで、GATherはトポロジ的不均衡に対処し、特異性を改善する。 GATherは2018年までのデータに基づいて, 臨床治験の結果を予測し, ROC AUCは0.69, 有効率は0.79であった。 Captumを使った機能属性メソッドは、キーノードとリレーションを強調し、モデルの解釈可能性を高める。 2024年までに、GATherは、上位200の臨床試験対象を14.1%に優先順位付けする精度を改善した。 GATherは、GAT、GATv2、HGTといった既存のモデルよりも、臨床試験の結果を予測し、目標の検証を強化し、臨床効果と安全性を予測する可能性を実証している。

関連論文リスト

Can artificial intelligence predict clinical trial outcomes? [5.326858857564308]
本研究では,大言語モデル(LLM)の臨床試験結果の予測能力について検討した。我々は、バランスの取れた精度、特異性、リコール、マシューズ相関係数(MCC)などの指標を用いてモデルの性能を比較する。高い複雑さを特徴とする腫瘍学の試行は、全てのモデルで難しいままである。
論文参考訳（メタデータ） (2024-11-26T17:05:27Z)
Enhancing Heterogeneous Knowledge Graph Completion with a Novel GAT-based Approach [3.8357926394952306]
異種知識グラフのための新しいGATベースの知識グラフ補完法を提案する。 GATHには2つの異なるアテンションネットワークモジュールが組み込まれている。我々のモデルは、FB15K-237データセットで5.2%と5.2%、WN18RRデータセットで4.5%と14.6%の性能を改善する。
論文参考訳（メタデータ） (2024-08-05T13:28:51Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
A graph neural network-based model with Out-of-Distribution Robustness for enhancing Antiretroviral Therapy Outcome Prediction for HIV-1 [5.111166539327379]
本稿では,完全連結ニューラルネットワークとグラフニューラルネットワークの機能を組み合わせた新しいジョイントフュージョンモデルを提案する。テストセットにおけるアウト・オブ・ディストリビューション・ドラッグに対するこれらのモデルの堅牢性を評価する。
論文参考訳（メタデータ） (2023-12-29T08:02:13Z)
Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文参考訳（メタデータ） (2023-07-10T09:49:30Z)
Augmented Learning of Heterogeneous Treatment Effects via Gradient Boosting Trees [0.2320417845168326]
異種治療効果(HTE)を推定するための2段階統計学習手法を提案する。第1段階は、結果に基づいてベースラインマーカーの主効果等価性を推定し、その後、HTEの第二段階推定において拡張項として使用される。 HTEの証拠を世界規模で評価するための置換試験が提案されている。
論文参考訳（メタデータ） (2023-02-02T19:10:04Z)
Bayesian tensor factorization for predicting clinical outcomes using integrated human genetics evidence [0.0]
人間の遺伝学的証拠を持つ薬物標的は、成功する確率が良いことが示されている。我々は、公開されているソースから収集されたさまざまな種類のヒト遺伝学的証拠を統合し、それぞれのターゲット・インジケーション・ペアをサポートする。
論文参考訳（メタデータ） (2022-07-25T21:26:21Z)
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)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文参考訳（メタデータ） (2021-02-08T15:09:07Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)

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。