論文の概要: Rethinking Cancer Gene Identification through Graph Anomaly Analysis

• arxiv url: http://arxiv.org/abs/2412.17240v1
• Date: Mon, 23 Dec 2024 03:21:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 16:00:11.066330
• Title: Rethinking Cancer Gene Identification through Graph Anomaly Analysis
• Title（参考訳）: グラフ異常解析によるがん遺伝子同定の再考
• Authors: Yilong Zang, Lingfei Ren, Yue Li, Zhikang Wang, David Antony Selby, Zheng Wang, Sebastian Josef Vollmer, Hongzhi Yin, Jiangning Song, Junhang Wu,
• Abstract要約: 本研究は、がん遺伝子によるタンパク質相互作用の生物学的異常をグラフ異常に橋渡しするための先駆的な一歩を踏み出した。 本研究では,スペクトル視点におけるスペクトルエネルギー分布の変化だけでなく,空間的視点におけるタンパク質相互作用の詳細な文脈を知覚する階層型グラフニューラルネットワーク(HIPGNN)を提案する。
• 参考スコア（独自算出の注目度）: 28.57416249899803
• License:
• Abstract: Graph neural networks (GNNs) have shown promise in integrating protein-protein interaction (PPI) networks for identifying cancer genes in recent studies. However, due to the insufficient modeling of the biological information in PPI networks, more faithfully depiction of complex protein interaction patterns for cancer genes within the graph structure remains largely unexplored. This study takes a pioneering step toward bridging biological anomalies in protein interactions caused by cancer genes to statistical graph anomaly. We find a unique graph anomaly exhibited by cancer genes, namely weight heterogeneity, which manifests as significantly higher variance in edge weights of cancer gene nodes within the graph. Additionally, from the spectral perspective, we demonstrate that the weight heterogeneity could lead to the "flattening out" of spectral energy, with a concentration towards the extremes of the spectrum. Building on these insights, we propose the HIerarchical-Perspective Graph Neural Network (HIPGNN) that not only determines spectral energy distribution variations on the spectral perspective, but also perceives detailed protein interaction context on the spatial perspective. Extensive experiments are conducted on two reprocessed datasets STRINGdb and CPDB, and the experimental results demonstrate the superiority of HIPGNN.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、近年の研究において、癌遺伝子を同定するためのタンパク質とタンパク質の相互作用(PPI)ネットワークを統合することを約束している。 しかしながら、PPIネットワークにおける生物学的情報のモデリングが不十分なため、グラフ構造内のがん遺伝子に対する複雑なタンパク質相互作用パターンのより忠実な描写はほとんど未解明のままである。 本研究は,癌遺伝子によるタンパク質相互作用の生物学的異常を統計的グラフ異常にブリッジするための先駆的な一歩を踏み出した。 がん遺伝子が示す特異なグラフ異常,すなわち重みの不均一性は,そのグラフ内の癌遺伝子ノードのエッジ重みのばらつきを著しく高める。 さらに、スペクトルの観点からは、重みの不均一性はスペクトルエネルギーの「平坦化」につながり、スペクトルの極端に向かって集中することを示した。 これらの知見に基づいて,スペクトル視点におけるスペクトルエネルギー分布の変動だけでなく,空間的視点におけるタンパク質相互作用の詳細な文脈を知覚する階層型グラフニューラルネットワーク (HIPGNN) を提案する。 2つの再処理されたデータセット STRINGdb と CPDB に対して大規模な実験を行い,実験結果からHIPGNN の優位性を実証した。

関連論文リスト

• LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
  本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
  論文  参考訳（メタデータ） (2024-08-30T16:26:04Z)
• 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)
• Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
  そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。 PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。 腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
  論文  参考訳（メタデータ） (2024-04-11T09:07:40Z)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• Explainable Multilayer Graph Neural Network for Cancer Gene Prediction [21.83218536069088]
  本稿では,癌遺伝子の同定にEMGNN(Explainable Multilayer Graph Neural Network)アプローチを提案する。 単一の生物学的ネットワーク上の従来のグラフ学習とは異なり、EMGNNは多層グラフニューラルネットワークを使用して、複数の生物学的ネットワークから正確ながん遺伝子予測を学習する。 提案手法は, 従来手法よりも平均7.15%, 精度・リコール曲線 (AUPR) で改善されている。
  論文  参考訳（メタデータ） (2023-01-20T23:57:12Z)
• 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)
• 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)
• 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)
• Uncovering the Folding Landscape of RNA Secondary Structure with Deep Graph Embeddings [71.20283285671461]
  このようなグラフ埋め込みを学習するための幾何散乱オートエンコーダ(GSAE)ネットワークを提案する。 我々の埋め込みネットワークは、最近提案された幾何散乱変換を用いて、まずリッチグラフ特徴を抽出する。 GSAEは、構造とエネルギーの両方でRNAグラフを整理し、ビスタブルRNA構造を正確に反映していることを示す。
  論文  参考訳（メタデータ） (2020-06-12T00:17:59Z)
• Graph Attentional Autoencoder for Anticancer Hyperfood Prediction [1.5749416770494706]
  近年の研究では、タンパク質とタンパク質の相互作用ネットワークへの影響から、食品中の抗がん剤様分子を発見する可能性が示されている。 我々はこのタスクを,グラフニューラルネットワーク(GNN)が最先端の結果を得たグラフ分類問題として定式化する。 ネットワークのトレーニングを容易にするため,グラフ構造情報と生ノード属性を様々な比率で統合したグラフ拡張機能を提案する。
  論文  参考訳（メタデータ） (2020-01-16T10:08:51Z)

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。