論文の概要: ExPath: Towards Explaining Targeted Pathways for Biological Knowledge Bases
- arxiv url: http://arxiv.org/abs/2502.18026v1
- Date: Tue, 25 Feb 2025 09:33:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-26 15:22:44.756415
- Title: ExPath: Towards Explaining Targeted Pathways for Biological Knowledge Bases
- Title（参考訳）: ExPath: 生物学的知識基盤のための目標経路の解説に向けて
- Authors: Rikuto Kotoge, Ziwei Yang, Zheng Chen, Yushun Dong, Yasuko Matsubara, Jimeng Sun, Yasushi Sakurai,
- Abstract要約: 本稿では,生体データベースの様々なグラフ(バイオネットワーク)を分類するための新しい経路推論フレームワークであるExPathを提案する。
ExPathは、(1)A-seqをグラフにエンコードして埋め込む大きなタンパク質言語モデル(pLM)、(2)A-seqデータ処理における従来の障害を克服するPathMamba、(2)グラフニューラルネットワーク(GNN)と状態空間シーケンスモデリング(Mamba)を組み合わせたハイブリッドアーキテクチャで、局所的な相互作用とグローバルな経路レベルの依存関係の両方をキャプチャするPathExplainer、(3)機能的に重要なノードとエッジを列車を通して識別するサブグラフ学習モジュールであるPathExplainerの3つのコンポーネントから構成される。
- 参考スコア（独自算出の注目度）: 36.89299758497499
- License:
- Abstract: Biological knowledge bases provide systemically functional pathways of cells or organisms in terms of molecular interaction. However, recognizing more targeted pathways, particularly when incorporating wet-lab experimental data, remains challenging and typically requires downstream biological analyses and expertise. In this paper, we frame this challenge as a solvable graph learning and explaining task and propose a novel pathway inference framework, ExPath, that explicitly integrates experimental data, specifically amino acid sequences (AA-seqs), to classify various graphs (bio-networks) in biological databases. The links (representing pathways) that contribute more to classification can be considered as targeted pathways. Technically, ExPath comprises three components: (1) a large protein language model (pLM) that encodes and embeds AA-seqs into graph, overcoming traditional obstacles in processing AA-seq data, such as BLAST; (2) PathMamba, a hybrid architecture combining graph neural networks (GNNs) with state-space sequence modeling (Mamba) to capture both local interactions and global pathway-level dependencies; and (3) PathExplainer, a subgraph learning module that identifies functionally critical nodes and edges through trainable pathway masks. We also propose ML-oriented biological evaluations and a new metric. The experiments involving 301 bio-networks evaluations demonstrate that pathways inferred by ExPath maintain biological meaningfulness. We will publicly release curated 301 bio-network data soon.
- Abstract（参考訳）: 生物学的知識基盤は、分子間相互作用の観点から、細胞または生物の体系的に機能する経路を提供する。
しかし、特に湿式実験データを組み込んだ場合、より標的となる経路を認識することは依然として困難であり、典型的には下流の生物学的分析と専門知識を必要とする。
本稿では,この課題を解答可能なグラフ学習と説明課題として捉え,実験データ,特にアミノ酸配列(AA-seqs)を明示的に統合し,生体データベース内の様々なグラフ(バイオネットワーク)を分類する新しい経路推論フレームワークであるExPathを提案する。
分類に寄与するリンク(表現経路)は、標的経路と見なすことができる。
技術的には、(1) AA-seqをグラフにエンコードして埋め込み、BLASTのようなAA-seqデータを処理する従来の障害を克服する大きなタンパク質言語モデル(pLM)、(2)PathMamba(グラフニューラルネットワーク(GNN)と状態空間シーケンスモデリング(Mamba)を組み合わせたハイブリッドアーキテクチャ)、(3)PathExplainer(訓練可能な経路マスクを通して機能的に重要なノードとエッジを識別するサブグラフ学習モジュール)の3つのコンポーネントから構成される。
また,ML指向の生物学的評価と新しい指標を提案する。
301のバイオネットワーク評価を含む実験は、ExPathによって推論される経路が生物学的意義を維持することを示した。
近く301のバイオネットワークデータを公開します。
関連論文リスト
- Progress and Opportunities of Foundation Models in Bioinformatics [77.74411726471439]
基礎モデル(FM)は、特に深層学習の領域において、計算生物学の新しい時代に定着した。
我々の焦点は、特定の生物学的問題にFMを応用することであり、研究ニーズに適切なFMを選択するために研究コミュニティを指導することを目的としています。
データノイズ、モデル説明可能性、潜在的なバイアスなど、生物学においてFMが直面する課題と限界を分析します。
論文 参考訳（メタデータ） (2024-02-06T02:29:17Z) - Exploring The Potential Of GANs In Biological Sequence Analysis [0.966840768820136]
本稿では,GAN(Generative Adversarial Networks)に基づくデータ不均衡問題に対する新しいアプローチを提案する。
GANは、実際のデータとよく似た合成データを生成するために利用される。
3つの異なるシーケンスデータセットを用いて3つの異なる分類タスクを実行する。
論文 参考訳（メタデータ） (2023-03-04T13:46:45Z) - Graph algorithms for predicting subcellular localization at the pathway
level [1.370633147306388]
生物経路における全ての相互作用の局所化をエッジラベルタスクとして予測するグラフアルゴリズムを開発した。
また, ウイルス感染によるヒト線維芽細胞の局在を予測し, 生物学的経路を構築するケーススタディも実施した。
論文 参考訳（メタデータ） (2022-12-12T15:49:43Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳（メタデータ） (2021-12-12T14:18:18Z) - Neural Multi-Hop Reasoning With Logical Rules on Biomedical Knowledge
Graphs [10.244651735862627]
我々は,創薬の現実世界における課題に基づいて経験的研究を行う。
我々は,この課題を,化合物と疾患の両方が知識グラフの実体に対応するリンク予測問題として定式化する。
本稿では,強化学習と論理ルールに基づく政策誘導歩行を組み合わせた新しい手法PoLoを提案する。
論文 参考訳（メタデータ） (2021-03-18T16:46:11Z) - Heterogeneous Graph based Deep Learning for Biomedical Network Link
Prediction [7.628651624423363]
バイオメディカルネットワークリンクを予測するためのグラフペアベースのリンク予測モデル(GPLP)を提案する。
InPでは、既知のネットワーク相互作用行列から抽出された1ホップのサブグラフを学習し、欠落リンクを予測する。
本手法は他のバイオメディカルネットワークにおける潜在的な応用を実証する。
論文 参考訳（メタデータ） (2021-01-28T07:35:29Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳（メタデータ） (2021-01-16T16:18:43Z) - Knowledge-Guided Multi-Label Few-Shot Learning for General Image
Recognition [75.44233392355711]
KGGRフレームワークは、ディープニューラルネットワークと統計ラベル相関の事前知識を利用する。
まず、統計ラベルの共起に基づいて異なるラベルを相関させる構造化知識グラフを構築する。
次に、ラベルセマンティクスを導入し、学習セマンティクス固有の特徴をガイドする。
グラフノードの相互作用を探索するためにグラフ伝搬ネットワークを利用する。
論文 参考訳（メタデータ） (2020-09-20T15:05:29Z) - GCN for HIN via Implicit Utilization of Attention and Meta-paths [104.24467864133942]
不均一情報ネットワーク(HIN)埋め込みは、HINの構造と意味情報を分散表現にマッピングすることを目的としている。
本稿では,注意とメタパスを暗黙的に活用するニューラルネットワーク手法を提案する。
まず、各層で識別集約を行う多層グラフ畳み込みネットワーク(GCN)フレームワークを用いる。
次に,アグリゲーションから分離可能な新しい伝搬操作を導入することにより,効果的な緩和と改善を行う。
論文 参考訳（メタデータ） (2020-07-06T11:09:40Z) - Inferring Signaling Pathways with Probabilistic Programming [1.8275108630751837]
我々はGen確率型プログラミング言語を用いてJuliaでスパース信号経路サンプリング(Sparse Signaling Pathway Smpling)という手法を実装した。
我々は,シミュレーションデータとHPN-DREAM経路再構成問題に基づくアルゴリズムの評価を行った。
本研究は,生物ネットワーク推論における確率的プログラミング,特にGenの可能性を示すものである。
論文 参考訳（メタデータ） (2020-05-28T14:55:11Z)
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。