論文の概要: Comprehensive Metapath-based Heterogeneous Graph Transformer for Gene-Disease Association Prediction

• arxiv url: http://arxiv.org/abs/2501.07970v1
• Date: Tue, 14 Jan 2025 09:41:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-15 13:25:24.300328
• Title: Comprehensive Metapath-based Heterogeneous Graph Transformer for Gene-Disease Association Prediction
• Title（参考訳）: 遺伝子疾患関連予測のための包括的メタパスに基づく不均一グラフ変換器
• Authors: Wentao Cui, Shoubo Li, Chen Fang, Qingqing Long, Chengrui Wang, Xuezhi Wang, Yuanchun Zhou,
• Abstract要約: Metapath-based heterogeneous graph Transformer (COMET) を用いた遺伝子解析 本手法は, 最先端手法と比較して, 優れたロバスト性を示す。
• 参考スコア（独自算出の注目度）: 19.803593399456823
• License:
• Abstract: Discovering gene-disease associations is crucial for understanding disease mechanisms, yet identifying these associations remains challenging due to the time and cost of biological experiments. Computational methods are increasingly vital for efficient and scalable gene-disease association prediction. Graph-based learning models, which leverage node features and network relationships, are commonly employed for biomolecular predictions. However, existing methods often struggle to effectively integrate node features, heterogeneous structures, and semantic information. To address these challenges, we propose COmprehensive MEtapath-based heterogeneous graph Transformer(COMET) for predicting gene-disease associations. COMET integrates diverse datasets to construct comprehensive heterogeneous networks, initializing node features with BioGPT. We define seven Metapaths and utilize a transformer framework to aggregate Metapath instances, capturing global contexts and long-distance dependencies. Through intra- and inter-metapath aggregation using attention mechanisms, COMET fuses latent vectors from multiple Metapaths to enhance GDA prediction accuracy. Our method demonstrates superior robustness compared to state-of-the-art approaches. Ablation studies and visualizations validate COMET's effectiveness, providing valuable insights for advancing human health research.
• Abstract（参考訳）: 疾患のメカニズムを理解するためには、遺伝子疾患の関連性を明らかにすることが不可欠であるが、生物学的実験の時間とコストのため、これらの関連性を特定することは依然として困難である。 計算手法は、効率的でスケーラブルな遺伝子導入関連予測にますます不可欠である。 ノードの特徴とネットワーク関係を利用するグラフベースの学習モデルは、一般に生体分子予測に使用される。 しかし、既存の手法はノードの特徴、異種構造、意味情報を効果的に統合するのに苦労することが多い。 これらの課題に対処するために,遺伝子消失関連を予測するための包括的Metapath-based heterogeneous graph Transformer (COMET)を提案する。 COMETは多様なデータセットを統合し、包括的ヘテロジニアスネットワークを構築し、BioGPTでノード機能を初期化する。 7つのMetapathを定義し、Transformerフレームワークを使用してMetapathインスタンスを集約し、グローバルなコンテキストと長距離依存関係をキャプチャします。 注意機構を用いたメタパス内およびメタパス間アグリゲーションにより、COMETは複数のメタパスから潜伏ベクトルを融合させ、GDA予測精度を向上させる。 本手法は, 最先端手法と比較して, 優れたロバスト性を示す。 アブレーション研究と可視化はCOMETの有効性を検証し、ヒトの健康研究を進める上で貴重な洞察を提供する。

関連論文リスト

• Gene-Metabolite Association Prediction with Interactive Knowledge Transfer Enhanced Graph for Metabolite Production [49.814615043389864]
  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。
  論文  参考訳（メタデータ） (2024-10-24T06:54:27Z)
• Heterogeneous Causal Metapath Graph Neural Network for Gene-Microbe-Disease Association Prediction [12.538590171093764]
  本稿では,遺伝子・微生物・疾患関連性を予測するため,異種因果性メタパスグラフニューラルネットワークを提案する。 実験の結果,HCMGNNはGMD関連を効果的に予測し,関連空間の問題に対処できることがわかった。
  論文  参考訳（メタデータ） (2024-06-27T13:17:33Z)
• 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)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• 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)
• Multimodal Optimal Transport-based Co-Attention Transformer with Global Structure Consistency for Survival Prediction [5.445390550440809]
  生存予測(Survival prediction)は、死亡リスクの予測を目的とした複雑な順序回帰タスクである。 病理画像の大きさが大きいため、スライド画像全体(WSI)を効果的に表現することは困難である。 組織学における腫瘍微小環境(TME)内の相互作用は生存分析に不可欠である。
  論文  参考訳（メタデータ） (2023-06-14T08:01:24Z)
• Optimal transport for automatic alignment of untargeted metabolomic data [8.692678207022084]
  本稿では,LC-MSデータセットを最適なトランスポートで自動的に組み合わせる,フレキシブルでユーザフレンドリなアルゴリズムであるGromovMatcherを紹介する。 特徴強度相関構造を利用することで、GromovMatcherは優れたアライメント精度とロバスト性を提供する。 我々は,GromovMatcherが,いくつかのがんタイプに関連するライフスタイルのリスク要因に関連するバイオマーカーの検索をいかに促進するかを示す。
  論文  参考訳（メタデータ） (2023-06-05T20:08:19Z)
• 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)
• 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。