Fugu-MT 論文翻訳(概要): GeSubNet: Gene Interaction Inference for Disease Subtype Network Generation

論文の概要: GeSubNet: Gene Interaction Inference for Disease Subtype Network Generation

arxiv url: http://arxiv.org/abs/2410.13178v1
Date: Thu, 17 Oct 2024 02:58:57 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-18 13:21:15.237589
Title: GeSubNet: Gene Interaction Inference for Disease Subtype Network Generation
Title（参考訳）: GeSubNet:病気サブタイプネットワーク生成のための遺伝子間相互作用推論
Authors: Ziwei Yang, Zheng Chen, Xin Liu, Rikuto Kotoge, Peng Chen, Yasuko Matsubara, Yasushi Sakurai, Jimeng Sun,
Abstract要約: 知識データベースから遺伝子機能ネットワークを取得することは、疾患ネットワークとサブタイプ固有のバリエーションのミスマッチによる課題である。本稿では、異なる疾患サブタイプを区別しながら、遺伝子相互作用を予測できる統一表現を学習するGeSubNetを提案する。
参考スコア（独自算出の注目度）: 29.93863082158739
License:
Abstract: Retrieving gene functional networks from knowledge databases presents a challenge due to the mismatch between disease networks and subtype-specific variations. Current solutions, including statistical and deep learning methods, often fail to effectively integrate gene interaction knowledge from databases or explicitly learn subtype-specific interactions. To address this mismatch, we propose GeSubNet, which learns a unified representation capable of predicting gene interactions while distinguishing between different disease subtypes. Graphs generated by such representations can be considered subtype-specific networks. GeSubNet is a multi-step representation learning framework with three modules: First, a deep generative model learns distinct disease subtypes from patient gene expression profiles. Second, a graph neural network captures representations of prior gene networks from knowledge databases, ensuring accurate physical gene interactions. Finally, we integrate these two representations using an inference loss that leverages graph generation capabilities, conditioned on the patient separation loss, to refine subtype-specific information in the learned representation. GeSubNet consistently outperforms traditional methods, with average improvements of 30.6%, 21.0%, 20.1%, and 56.6% across four graph evaluation metrics, averaged over four cancer datasets. Particularly, we conduct a biological simulation experiment to assess how the behavior of selected genes from over 11,000 candidates affects subtypes or patient distributions. The results show that the generated network has the potential to identify subtype-specific genes with an 83% likelihood of impacting patient distribution shifts. The GeSubNet resource is available: https://anonymous.4open.science/r/GeSubNet/
Abstract（参考訳）: 知識データベースから遺伝子機能ネットワークを取得することは、疾患ネットワークとサブタイプ固有のバリエーションのミスマッチによる課題である。統計的および深層学習法を含む現在のソリューションは、しばしばデータベースからの遺伝子相互作用の知識を効果的に統合したり、サブタイプ固有の相互作用を明示的に学習するのに失敗する。このミスマッチに対処するために、異なる疾患サブタイプを区別しながら、遺伝子相互作用を予測できる統一表現を学習するGeSubNetを提案する。このような表現によって生成されたグラフは、サブタイプ固有のネットワークと見なすことができる。 GeSubNetは3つのモジュールを持つ多段階の表現学習フレームワークである。第二に、グラフニューラルネットワークは知識データベースから以前の遺伝子ネットワークの表現をキャプチャし、正確な物理的遺伝子相互作用を保証する。最後に、これらの2つの表現を、患者分離損失を条件としたグラフ生成機能を利用した推論損失を用いて統合し、学習された表現のサブタイプ固有情報を洗練する。 GeSubNetは従来の手法を一貫して上回り、平均的な改善は30.6%、21.0%、20.1%、56.6%の4つのグラフ評価指標で、4つのがんデータセットで平均されている。特に11,000以上の候補から選択された遺伝子の挙動がサブタイプや患者分布にどのように影響するかを評価するための生物学的シミュレーション実験を行った。その結果, 生成したネットワークは, サブタイプ特異的遺伝子を83%の確率で同定できる可能性が示唆された。 GeSubNetリソースは以下の通りである。

関連論文リスト

Neural Lineage [56.34149480207817]
本稿では,親子間の系統関係の発見を目的としたニューラルライン検出という新しいタスクを提案する。実用上,ニューラルネットワーク表現類似度指標に微調整プロセスの近似を組み込んだ学習自由アプローチを導入する。精度を追求するために,エンコーダと変圧器検出器からなる学習系系統検出装置を導入する。
論文参考訳（メタデータ） (2024-06-17T01:11:53Z)
Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文参考訳（メタデータ） (2023-11-28T09:14:55Z)
MuSe-GNN: Learning Unified Gene Representation From Multimodal Biological Graph Data [22.938437500266847]
マルチモーダル類似性学習グラフニューラルネットワークという新しいモデルを提案する。マルチモーダル機械学習とディープグラフニューラルネットワークを組み合わせて、単一セルシークエンシングと空間転写データから遺伝子発現を学習する。本モデルでは, 遺伝子機能, 組織機能, 疾患, 種進化の解析のために, 統合された遺伝子表現を効率よく生成する。
論文参考訳（メタデータ） (2023-09-29T13:33:53Z)
DDeMON: Ontology-based function prediction by Deep Learning from Dynamic Multiplex Networks [0.7349727826230864]
本研究の目的は、遺伝子発現の時間的ダイナミクスとシステムのレベル情報の融合がいかにして新しい遺伝子機能を予測するかを検討することである。時間依存型多スケール生体情報を用いた関数アノテーションのスケーラブルなシステムレベルの推論手法であるDDeMONを提案する。
論文参考訳（メタデータ） (2023-02-08T06:53:02Z)
Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文参考訳（メタデータ） (2021-12-23T12:17:47Z)
VEGN: Variant Effect Prediction with Graph Neural Networks [19.59965282985234]
本稿では,遺伝子と変異を持つ異種グラフ上で動作するグラフニューラルネットワーク(GNN)を用いて,変異効果予測をモデル化したVEGNを提案する。このグラフは、変異体を遺伝子に割り当て、遺伝子-遺伝子相互作用ネットワークに遺伝子を接続することによって作成される。 VeGNは既存の最先端モデルの性能を改善する。
論文参考訳（メタデータ） (2021-06-25T13:51:46Z)
TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文参考訳（メタデータ） (2020-12-26T08:02:56Z)
SimpleChrome: Encoding of Combinatorial Effects for Predicting Gene Expression [8.326669256957352]
遺伝子のヒストン修飾表現を学習するディープラーニングモデルであるSimpleChromeを紹介します。このモデルから得られた特徴により、遺伝子間相互作用の潜在効果と標的遺伝子の発現に対する直接遺伝子調節をよりよく理解することができます。
論文参考訳（メタデータ） (2020-12-15T23:30:36Z)
Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文参考訳（メタデータ） (2020-09-27T12:30:30Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
A Semi-Supervised Generative Adversarial Network for Prediction of Genetic Disease Outcomes [0.0]
本稿では, 遺伝的な遺伝的データセットを作成するために, gGAN (Generative Adversarial Networks) を導入する。我々のゴールは、遺伝子プロファイルだけで病気の重篤な形態を発達させる新しい個人の正当性を決定することである。提案モデルは自己認識型であり、ネットワークがトレーニングされたデータと十分に互換性のある新しい遺伝子プロファイルを決定することができる。
論文参考訳（メタデータ） (2020-07-02T15:35:14Z)

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。