Fugu-MT 論文翻訳(概要): Improving Disease Comorbidity Prediction Based on Human Interactome with Biologically Supervised Graph Embedding

論文の概要: Improving Disease Comorbidity Prediction Based on Human Interactome with Biologically Supervised Graph Embedding

arxiv url: http://arxiv.org/abs/2410.05670v1
Date: Tue, 8 Oct 2024 03:52:12 GMT
ステータス: 処理完了
システム内更新日: 2024-11-01 17:19:21.099571
Title: Improving Disease Comorbidity Prediction Based on Human Interactome with Biologically Supervised Graph Embedding
Title（参考訳）: 生物学的に監督されたグラフ埋め込みを用いたヒトインターラクトームによる病原性予測の改善
Authors: Xihan Qin, Li Liao,
Abstract要約: 合併症は、疾患の理解と管理に重大な影響を及ぼす。人間の相互作用は、大きな不完全グラフとして、共生予測に有用な特徴を抽出する上で、独自の課題を提示している。 BSE (Biologically Supervised Graph Embedding) では、最も関連性の高い特徴を選択して、合併症のペアの予測精度を高めることができる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Comorbidity carries significant implications for disease understanding and management. The genetic causes for comorbidity often trace back to mutations occurred either in the same gene associated with two diseases or in different genes associated with different diseases respectively but coming into connection via protein-protein interactions. Therefore, human interactome has been used in more sophisticated study of disease comorbidity. Human interactome, as a large incomplete graph, presents its own challenges to extracting useful features for comorbidity prediction. In this work, we introduce a novel approach named Biologically Supervised Graph Embedding (BSE) to allow for selecting most relevant features to enhance the prediction accuracy of comorbid disease pairs. Our investigation into BSE's impact on both centered and uncentered embedding methods showcases its consistent superiority over the state-of-the-art techniques and its adeptness in selecting dimensions enriched with vital biological insights, thereby improving prediction performance significantly, up to 50% when measured by ROC for some variations. Further analysis indicates that BSE consistently and substantially improves the ratio of disease associations to gene connectivity, affirming its potential in uncovering latent biological factors affecting comorbidity. The statistically significant enhancements across diverse metrics underscore BSE's potential to introduce novel avenues for precise disease comorbidity predictions and other potential applications. The GitHub repository containing the source code can be accessed at the following link: https://github.com/xihan-qin/Biologically-Supervised-Graph-Embedding.
Abstract（参考訳）: 合併症は、疾患の理解と管理に重大な影響を及ぼす。共生性の遺伝的原因は、しばしば2つの疾患に関連付けられた同じ遺伝子か、異なる疾患に関連付けられた異なる遺伝子のいずれかで生じたが、タンパク質とタンパク質の相互作用を介して関連付けられる。そのため、ヒトのインターフェクトームは、より洗練された疾患のコオービディティの研究に使われてきた。人間の相互作用は、大きな不完全グラフとして、共生予測に有用な特徴を抽出する上で、独自の課題を提示している。そこで本研究では,BSE (Biologically Supervised Graph Embedding) という新しい手法を導入する。本研究は,BSEが中心埋設法と非中心埋設法の両方に及ぼした影響について,最先端技術よりも一貫した優位性を示し,バイオインサイトに富んだ寸法の選択に有効性を示し,ROCで測定した場合の予測性能を最大50%向上させることができた。さらに分析したところ、BSEは病気の関連と遺伝子接続の比率を一貫して改善し、その潜在的生物学的要因がコオービディティに影響を及ぼす可能性を実証している。様々な指標にまたがる統計的に有意な拡張は、BSEが正確な疾患のコオービディティ予測やその他の潜在的な応用に新しい方法を導入する可能性を示している。ソースコードを含むGitHubリポジトリは、以下のリンクでアクセスできる。

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)
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)
Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文参考訳（メタデータ） (2023-09-26T03:59:21Z)
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)
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)
Data-Driven Logistic Regression Ensembles With Applications in Genomics [0.0]
本稿では,正規化とアンサンブルのアイデアを組み合わせた高次元二項分類問題に対する新しいアプローチを提案する。がん,多発性硬化症,乾皮症などの共通疾患を含むいくつかの医学的データセットを用いて,バイオマーカーの予測精度と同定の点で,本手法の優れた性能を実証した。
論文参考訳（メタデータ） (2021-02-17T05:57:26Z)
Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation [150.52617238140868]
ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
論文参考訳（メタデータ） (2020-12-22T13:20:23Z)
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)
Recent Advances in Network-based Methods for Disease Gene Prediction [15.625526953844638]
ゲノムワイド・アソシエーション研究(GWAS)による疾患遺伝子関連研究は、研究者にとって困難な課題である。代替の低コストの疾患遺伝子関連証拠を研究者に提供するため、計算アプローチが実施される。分子ネットワークは病気の分子間の複雑な相互作用を捉えることができるため、疾患遺伝子関連予測において最も広く使われているデータの一つである。
論文参考訳（メタデータ） (2020-07-19T14:13:38Z)
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。