論文の概要: Gene-Metabolite Association Prediction with Interactive Knowledge Transfer Enhanced Graph for Metabolite Production

• arxiv url: http://arxiv.org/abs/2410.18475v1
• Date: Thu, 24 Oct 2024 06:54:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 16:43:48.599183
• Title: Gene-Metabolite Association Prediction with Interactive Knowledge Transfer Enhanced Graph for Metabolite Production
• Title（参考訳）: メタボライト生産のための対話的知識伝達強化グラフを用いた遺伝子メタボライト関連予測
• Authors: Kexuan Xin, Qingyun Wang, Junyu Chen, Pengfei Yu, Huimin Zhao, Heng Ji,
• Abstract要約: メタボリックグラフに基づく遺伝子メタボリック・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション 2474の代謝産物と1947年の2つの一般的な微生物の遺伝子を含む最初のベンチマークを提示する。 提案手法は,各種リンク予測フレームワークのベースラインを最大12.3%向上させる。
• 参考スコア（独自算出の注目度）: 49.814615043389864
• License:
• Abstract: In the rapidly evolving field of metabolic engineering, the quest for efficient and precise gene target identification for metabolite production enhancement presents significant challenges. Traditional approaches, whether knowledge-based or model-based, are notably time-consuming and labor-intensive, due to the vast scale of research literature and the approximation nature of genome-scale metabolic model (GEM) simulations. Therefore, we propose a new task, Gene-Metabolite Association Prediction based on metabolic graphs, to automate the process of candidate gene discovery for a given pair of metabolite and candidate-associated genes, as well as presenting the first benchmark containing 2474 metabolites and 1947 genes of two commonly used microorganisms Saccharomyces cerevisiae (SC) and Issatchenkia orientalis (IO). This task is challenging due to the incompleteness of the metabolic graphs and the heterogeneity among distinct metabolisms. To overcome these limitations, we propose an Interactive Knowledge Transfer mechanism based on Metabolism Graph (IKT4Meta), which improves the association prediction accuracy by integrating the knowledge from different metabolism graphs. First, to build a bridge between two graphs for knowledge transfer, we utilize Pretrained Language Models (PLMs) with external knowledge of genes and metabolites to help generate inter-graph links, significantly alleviating the impact of heterogeneity. Second, we propagate intra-graph links from different metabolic graphs using inter-graph links as anchors. Finally, we conduct the gene-metabolite association prediction based on the enriched metabolism graphs, which integrate the knowledge from multiple microorganisms. Experiments on both types of organisms demonstrate that our proposed methodology outperforms baselines by up to 12.3% across various link prediction frameworks.
• Abstract（参考訳）: メタボリックエンジニアリングの急速に発展する分野では、代謝産物生産増強のための効率的かつ正確な遺伝子標的同定の探求が重要な課題である。 知識ベースであれモデルベースであれ、従来のアプローチは、膨大な研究文献とゲノムスケール代謝モデル(GEM)シミュレーションの近似特性のため、特に時間と労力がかかる。 そこで, メタボリックグラフに基づく遺伝子メタボリックアソシエーション予測 (Gene-Metabolite Association Prediction) を提案し, メタボリックグラフと候補関連遺伝子に対する候補遺伝子の発見プロセスを自動化するとともに, 一般的に使用されている2つの微生物Saccharomyces cerevisiae (SC) とIssatchenkia orientalis (IO) の2474の代謝物と1947の遺伝子を含む最初のベンチマークを提示する。 この課題は、代謝グラフの不完全性と、異なる代謝の異質性のために困難である。 これらの制限を克服するために,メタボリズムグラフ(IKT4Meta)に基づく対話型知識伝達機構を提案する。 まず、知識伝達のための2つのグラフ間のブリッジを構築するために、遺伝子や代謝物の外部知識を用いた事前学習言語モデル(PLM)を用いて、グラフ間リンクの生成を支援し、不均一性の影響を著しく緩和する。 第2に,グラフ間リンクをアンカーとして,異なるメタボリックグラフからのグラフ内リンクを伝搬する。 最後に, 富化代謝グラフに基づく遺伝子・代謝産物関連予測を行い, 複数の微生物の知識を統合した。 両タイプの生物実験により,提案手法は各種リンク予測フレームワークにおいて,基準線を最大12.3%上回っていることが示された。

関連論文リスト

• A generalizable framework for unlocking missing reactions in genome-scale metabolic networks using deep learning [3.765163284974983]
  CLOSEgapsは、代謝ネットワークをハイパーグラフとしてマッピングし、そのハイパートポロジー機能を学び、欠落した反応とギャップを識別するディープラーニングツールである。 その結果, CLOSEgaps は人工的に導入した GEM の 96% 以上のギャップを正確に埋めることができた。
  論文  参考訳（メタデータ） (2024-09-20T06:47:44Z)
• Stacked ensemble\-based mutagenicity prediction model using multiple modalities with graph attention network [0.9736758288065405]
  変異原性は、様々なネガティブな結果をもたらす遺伝子変異と関連しているため、懸念される。 本研究では,新しいアンサンブルに基づく変異原性予測モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-03T09:14:21Z)
• 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)
• Histo-Genomic Knowledge Distillation For Cancer Prognosis From Histopathology Whole Slide Images [7.5123289730388825]
  ゲノムインフォームドハイパーアテンションネットワーク(G-HANet)は、トレーニング中にヒストリーゲノム知識を効果的に蒸留することができる。 ネットワークは、クロスモーダル・アソシエーション・ブランチ(CAB)とハイパーアテンション・サバイバル・ブランチ(HSB)から構成される。
  論文  参考訳（メタデータ） (2024-03-15T06:20:09Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• 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)
• 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)
• Predicting pathways for old and new metabolites through clustering [0.06091702876917279]
  本稿では代謝物構造に基づく経路同定手法を提案する。 両方の特徴群にクラスタリングアルゴリズムを適用した結果、既知の代謝物の92%をそれぞれの経路に正確にリンクしていることが判明した。
  論文  参考訳（メタデータ） (2022-11-28T19:07:02Z)
• 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 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)

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。