論文の概要: CSGDN: Contrastive Signed Graph Diffusion Network for Predicting Crop Gene-Trait Associations

• arxiv url: http://arxiv.org/abs/2410.07511v1
• Date: Mon, 14 Oct 2024 02:50:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 16:46:37.137727
• Title: CSGDN: Contrastive Signed Graph Diffusion Network for Predicting Crop Gene-Trait Associations
• Title（参考訳）: CSGDN:クローン遺伝子訓練協会予測のための対比符号付きグラフ拡散ネットワーク
• Authors: Yiru Pan, Xingyu Ji, Jiaqi You, Lu Li, Zhenping Liu, Xianlong Zhang, Zeyu Zhang, Maojun Wang,
• Abstract要約: 我々は、より少ないトレーニングサンプルでロバストなノード表現を学習し、より高いリンク予測精度を実現するために、コントラスト符号付きグラフ拡散ネットワーク(CSGDN)を提案する。 Gossypium hirsutum, Brassica napus, Triticum turgidumの3つの作物データセット上でCSGDNの有効性を検証する実験を行った。
• 参考スコア（独自算出の注目度）: 6.5678927417916455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Positive and negative association preidiction between gene and trait help studies for crops to perform complex physiological functions. The transcription and regulation activity of specific genes will be adjusted accordingly in different cell types, developmental stages, and physiological states to meet the needs of organisms. Determing gene-trait associations can resolve the mechanism of trait formation and benefit the improvement of crop yield and quality. There are the following two problems in obtaining the positive/negative associations between gene and trait: 1) High-throughput DNA/RNA sequencing and trait data collection are expensive and time-consuming due to the need to process large sample sizes; 2) experiments introduce both random and systematic errors, and, at the same time, calculations or predictions using software or models may produce noise. To address these two issues, we propose a Contrastive Signed Graph Diffusion Network, CSGDN, to learn robust node representations with fewer training samples to achieve higher link prediction accuracy. CSGDN employs a signed graph diffusion method to uncover the underlying regulatory associations between genes and traits. Then, stochastic perterbation strategies are used to create two views for both original and diffusive graphs. At last, a multi-view contrastive learning paradigm loss is designed to unify the node presentations learned from the two views to resist interference and reduce noise. We conduct experiments to validate the performance of CSGDN on three crop datasets: Gossypium hirsutum, Brassica napus, and Triticum turgidum. The results demonstrate that the proposed model outperforms state-of-the-art methods by up to 9.28% AUC for link sign prediction in G. hirsutum dataset.
• Abstract（参考訳）: 遺伝子と形質の正の関連性は、作物が複雑な生理機能を発揮するのに役立つ。 特定の遺伝子の転写および調節活性は、生物のニーズを満たすために、異なる細胞タイプ、発達段階、生理的状態に応じて調整される。 遺伝子・形質関係の決定は形質形成のメカニズムを解明し、収穫量と品質の改善に寄与する。 遺伝子と形質の正・負の関連を得るには、以下の2つの問題がある。 1)高スループットDNA/RNAシークエンシング及び形質データ収集は、大規模なサンプルサイズを処理する必要があるため、高価で時間を要する。 2)実験はランダムな誤りと体系的な誤りの両方を導入し,同時にソフトウェアやモデルを用いた計算や予測もノイズを発生させる可能性がある。 これら2つの問題に対処するために、より少ないトレーニングサンプルでロバストなノード表現を学習し、より高いリンク予測精度を実現するために、Contrastive Signed Graph Diffusion Network (CSGDN)を提案する。 CSGDNは署名付きグラフ拡散法を用いて、遺伝子と形質の根底にある規制関係を明らかにする。 次に、確率的パーターベーション戦略を用いて、原グラフと微分グラフの両方に対する2つのビューを作成する。 最後に、2つの視点から学んだノードプレゼンテーションを統一し、干渉に抵抗しノイズを低減するために、マルチビューのコントラッシブ・ラーニング・パラダイム・ロスを設計する。 Gossypium hirsutum, Brassica napus, Triticum turgidumの3つの作物データセット上でCSGDNの有効性を検証する実験を行った。 その結果、提案モデルはG. hirsutum データセットのリンクサイン予測において、9.28%の AUC で最先端の手法より優れていることが示された。

関連論文リスト

• Graph Diffusion Network for Drug-Gene Prediction [38.00034058447254]
  薬物遺伝子予測のためのグラフ拡散ネットワーク(GDNDGP)を提案する。 メタパスに基づく同種グラフ学習を用いて、薬物・薬物・遺伝子関係を捉える。 第2に、トレーニング中に強い負のサンプルを生成する並列拡散ネットワークを導入し、徹底的な負のサンプル検索の必要性を排除している。
  論文  参考訳（メタデータ） (2025-02-13T13:54:58Z)
• G2PDiffusion: Genotype-to-Phenotype Prediction with Diffusion Models [108.94237816552024]
  本稿では,G2PDiffusionについて紹介する。G2PDiffusionは,複数の種にまたがる遺伝子型からフェノタイプへの拡散モデルである。 我々は,形態的表現型を種間で表現するために画像を使用し,条件付き画像生成として表現型予測を再定義する。
  論文  参考訳（メタデータ） (2025-02-07T06:16:31Z)
• 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)
• Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection [51.11833609431406]
  異なるクラス間のホモフィリー分布の差は、ホモフィリックグラフやヘテロフィリックグラフよりも著しく大きい。 我々は、この現象を定量的に記述した、クラスホモフィリーバリアンスと呼ばれる新しい計量を導入する。 その影響を軽減するために,ホモフィリーエッジ生成グラフニューラルネットワーク(HedGe)と呼ばれる新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-03-15T14:26:53Z)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• Graph Coloring via Neural Networks for Haplotype Assembly and Viral Quasispecies Reconstruction [8.828330486848753]
  我々はグラフ表現学習と最適化を組み合わせたNeurHapと呼ばれる新しい手法を開発した。 我々の実験は、競合するアプローチと比較して、実データや合成データセットにおけるNeurHapの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2022-10-21T12:53:09Z)
• 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)
• Graph Based Link Prediction between Human Phenotypes and Genes [5.1398743023989555]
  機械学習の分野での最近の進歩は、異常なヒトの表現型と遺伝子間の相互作用を予測するのに効果的である。 本研究では,ヒトの表現型オントロジー(HPO)と遺伝子との関係を予測する枠組みを開発した。 他の4つの方法と比較して、LightGBMはヒトの表現型と遺伝子ペア間のより正確な相互作用やリンクを見つけることができる。
  論文  参考訳（メタデータ） (2021-05-25T14:47:07Z)
• A Cross-Level Information Transmission Network for Predicting Phenotype from New Genotype: Application to Cancer Precision Medicine [37.442717660492384]
  本稿では,CLEIT(Cross-Level Information Transmission Network)フレームワークを提案する。 ドメイン適応にインスパイアされたCLEITは、まずハイレベルドメインの潜在表現を学び、その後、接地木埋め込みとして利用する。 体細胞突然変異による抗がん剤感受性の予測におけるCLEITの有効性と性能の向上を示す。
  論文  参考訳（メタデータ） (2020-10-09T22:01:00Z)

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。