論文の概要: GraphSeqLM: A Unified Graph Language Framework for Omic Graph Learning

• arxiv url: http://arxiv.org/abs/2412.15790v1
• Date: Fri, 20 Dec 2024 11:05:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-23 16:21:06.883183
• Title: GraphSeqLM: A Unified Graph Language Framework for Omic Graph Learning
• Title（参考訳）: GraphSeqLM: Omic Graph Learningのための統一グラフ言語フレームワーク
• Authors: Heming Zhang, Di Huang, Yixin Chen, Fuhai Li,
• Abstract要約: Graph Neural Networks (GNN)は、大規模シグナル伝達経路とタンパク質-タンパク質相互作用ネットワークを解析するための堅牢なフレームワークを提供する。 生物シークエンスを組み込んだGNNを強化するフレームワークであるグラフシーケンス言語モデル(GraphSeqLM)を提案する。
• 参考スコア（独自算出の注目度）: 20.906136206438102
• License:
• Abstract: The integration of multi-omic data is pivotal for understanding complex diseases, but its high dimensionality and noise present significant challenges. Graph Neural Networks (GNNs) offer a robust framework for analyzing large-scale signaling pathways and protein-protein interaction networks, yet they face limitations in expressivity when capturing intricate biological relationships. To address this, we propose Graph Sequence Language Model (GraphSeqLM), a framework that enhances GNNs with biological sequence embeddings generated by Large Language Models (LLMs). These embeddings encode structural and biological properties of DNA, RNA, and proteins, augmenting GNNs with enriched features for analyzing sample-specific multi-omic data. By integrating topological, sequence-derived, and biological information, GraphSeqLM demonstrates superior predictive accuracy and outperforms existing methods, paving the way for more effective multi-omic data integration in precision medicine.
• Abstract（参考訳）: 多次元データの統合は複雑な疾患を理解する上で重要であるが、その高次元性やノイズは重要な課題である。 グラフニューラルネットワーク(GNN)は、大規模シグナル伝達経路やタンパク質-タンパク質相互作用ネットワークを解析するための堅牢なフレームワークを提供するが、複雑な生物学的関係を捉える際には、表現力の制限に直面している。 グラフシーケンス言語モデル(GraphSeqLM)は,大規模言語モデル(LLM)が生成する生物学的配列埋め込みを用いてGNNを強化するフレームワークである。 これらの埋め込みはDNA、RNA、タンパク質の構造と生物学的性質をコードし、サンプル特異的な多相データを分析するための豊富な特徴を持つGNNを増強する。 トポロジカル、シークエンス、生物学的情報を統合することで、GraphSeqLMは予測精度が優れ、既存の手法よりも優れており、精度の高い医療におけるより効果的なマルチオミックデータ統合の道を開いた。

関連論文リスト

• Comparative Analysis of Multi-Omics Integration Using Advanced Graph Neural Networks for Cancer Classification [40.45049709820343]
  マルチオミクスデータ統合は、高次元性、データ複雑さ、および様々なオミクスタイプの異なる特徴により、大きな課題を生じさせる。 本研究では、グラフ畳み込みネットワーク(GCN)、グラフアテンションネットワーク(GAT)、グラフトランスフォーマーネットワーク(GTN)に基づくマルチオミクス(MO)統合のための3つのグラフニューラルネットワークアーキテクチャを評価する。
  論文  参考訳（メタデータ） (2024-10-05T16:17:44Z)
• Higher-Order Message Passing for Glycan Representation Learning [0.0]
  グラフネットワーク(GNN)は、グラフ構造化データの処理と解析のために設計されたディープラーニングモデルである。 本研究は, グリカン構造から潜在空間表現へ特徴を引き出すために, 錯体と高次メッセージパッシングに基づく新しいモデルアーキテクチャを提案する。 これらの改良により、計算グリコ科学のさらなる進歩が促進され、生物学におけるグリカンの役割が明らかにされることを期待している。
  論文  参考訳（メタデータ） (2024-09-20T12:55:43Z)
• Graph Representation Learning Strategies for Omics Data: A Case Study on Parkinson's Disease [13.630617713928197]
  グラフニューラルネットワークは、古典的な統計学と機械学習の方法に代わる有望な代替手段として登場した。 本研究では,ケースコントロール分類のためのグラフ表現学習モデルについて検討する。 タンパク質-タンパク質相互作用やメタボライト-メタボライト相互作用を含む,サンプル類似性ネットワークと分子相互作用ネットワークから得られたトポロジーを比較した。
  論文  参考訳（メタデータ） (2024-06-20T16:06:39Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• A Systematic Review of Deep Graph Neural Networks: Challenges, Classification, Architectures, Applications & Potential Utility in Bioinformatics [0.0]
  グラフニューラルネットワーク(GNN)は、グラフ依存を表現するためにグラフノード間のメッセージ送信を使用する。 GNNは、バイオインフォマティクス研究における幅広い生物学的課題を解決するための優れたツールとなる可能性がある。
  論文  参考訳（メタデータ） (2023-11-03T10:25:47Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• 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)

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。