Fugu-MT 論文翻訳(概要): Cross-Attention Graph Neural Networks for Inferring Gene Regulatory Networks with Skewed Degree Distribution

論文の概要: Cross-Attention Graph Neural Networks for Inferring Gene Regulatory Networks with Skewed Degree Distribution

arxiv url: http://arxiv.org/abs/2412.16220v3
Date: Thu, 09 Jan 2025 14:55:29 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-10 13:57:18.679485
Title: Cross-Attention Graph Neural Networks for Inferring Gene Regulatory Networks with Skewed Degree Distribution
Title（参考訳）: スキューデグレー分布を有する遺伝子制御ネットワーク推定のためのクロスアテンショングラフニューラルネットワーク
Authors: Jiaqi Xiong, Nan Yin, Shiyang Liang, Haoyang Li, Yingxu Wang, Duo Ai, Fang Pan, Jingjie Wang,
Abstract要約: クロスアテンション複合デュアルグラフ埋め込みモデル(XATGRN) 我々のモデルは、様々なデータセットで既存の最先端メソッドよりも一貫して優れています。
参考スコア（独自算出の注目度）: 9.919024883502322
License:
Abstract: Inferencing Gene Regulatory Networks (GRNs) from gene expression data is a pivotal challenge in systems biology, and several innovative computational methods have been introduced. However, most of these studies have not considered the skewed degree distribution of genes. Specifically, some genes may regulate multiple target genes while some genes may be regulated by multiple regulator genes. Such a skewed degree distribution issue significantly complicates the application of directed graph embedding methods. To tackle this issue, we propose the Cross-Attention Complex Dual Graph Embedding Model (XATGRN). Our XATGRN employs a cross-attention mechanism to effectively capture intricate gene interactions from gene expression profiles. Additionally, it uses a Dual Complex Graph Embedding approach to manage the skewed degree distribution, thereby ensuring precise prediction of regulatory relationships and their directionality. Our model consistently outperforms existing state-of-the-art methods across various datasets, underscoring its efficacy in elucidating complex gene regulatory mechanisms. Our codes used in this paper are publicly available at: https://github.com/kikixiong/XATGRN.
Abstract（参考訳）: 遺伝子発現データから遺伝子レギュレーションネットワーク(GRN)を参照することは、システム生物学において重要な課題であり、いくつかの革新的な計算手法が導入されている。しかし、これらの研究のほとんどは遺伝子の歪んだ度合いの分布を考慮していない。具体的には、いくつかの遺伝子は複数の標的遺伝子を調節し、いくつかの遺伝子は複数の調節遺伝子によって制御される。このような歪んだ次数分布問題は、有向グラフ埋め込み法の応用を著しく複雑にする。この問題に対処するために,クロスアテンション複合デュアルグラフ埋め込みモデル(XATGRN)を提案する。我々のXATGRNは、遺伝子発現プロファイルから複雑な遺伝子相互作用を効果的に捉えるために、クロスアテンション機構を採用している。さらに、二項グラフ埋め込み手法を用いて、歪んだ次数分布を管理し、規制関係とその方向性の正確な予測を確実にする。我々のモデルは、様々なデータセットにまたがって既存の最先端の手法より一貫して優れており、複雑な遺伝子制御機構の解明におけるその効果を裏付けている。この論文で使われているコードは、https://github.com/kikixiong/XATGRN.comで公開されています。

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)
VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
論文参考訳（メタデータ） (2024-05-13T20:15:03Z)
GARA: A novel approach to Improve Genetic Algorithms' Accuracy and Efficiency by Utilizing Relationships among Genes [1.7226572355808027]
本稿では,遺伝子間の関係を利用してGAの精度と効率を向上させる遺伝子制御遺伝的アルゴリズム(GRGA)を提案する。我々は、RGGRと呼ばれる溶液空間をカプセル化した有向多部グラフを使用し、各ノードは溶液中の遺伝子に対応し、エッジは隣り合うノード間の関係を表す。得られたRGGRは、クロスオーバーと突然変異演算子の適切な座を決定するために使用され、それによって進化過程をより速くより良く収束させる。
論文参考訳（メタデータ） (2024-04-28T08:33:39Z)
Epigenetics Algorithms: Self-Reinforcement-Attention mechanism to regulate chromosomes expression [0.0]
本稿ではメチル化として知られるエピジェネティックス現象を模倣する新しいエピジェネティックスアルゴリズムを提案する。エピジェネティックスアルゴリズムの斬新さは、主に注意機構と深層学習を利用しており、遺伝子/サイレンシングの概念とよく適合している。
論文参考訳（メタデータ） (2023-03-15T21:33:21Z)
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)
Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
論文参考訳（メタデータ） (2022-10-18T21:15:10Z)
SHINE: SubHypergraph Inductive Neural nEtwork [5.9952530228468754]
ハイパーグラフニューラルネットワークは、グラフのノード間のマルチウェイ接続をモデル化することができる。現実世界のアプリケーションにおいて、サブグラフの強力な表現を学ぶには、未完成の必要性がある。本稿では,精度の高いインダクティブサブグラフ予測のためのSubHypergraph Inductive Neural nEtwork(SHINE)を提案する。
論文参考訳（メタデータ） (2022-10-13T19:26:09Z)
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)
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)
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)
Permutation-equivariant and Proximity-aware Graph Neural Networks with Stochastic Message Passing [88.30867628592112]
グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。ノードの近さを保つため,既存のGNNをノード表現で拡張する。
論文参考訳（メタデータ） (2020-09-05T16:46:56Z)

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。