論文の概要: ExPath: Targeted Pathway Inference for Biological Knowledge Bases via Graph Learning and Explanation

• arxiv url: http://arxiv.org/abs/2502.18026v2
• Date: Thu, 28 Aug 2025 00:16:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 13:55:30.849769
• Title: ExPath: Targeted Pathway Inference for Biological Knowledge Bases via Graph Learning and Explanation
• Title（参考訳）: ExPath:グラフ学習と説明による生物学的知識ベースのための経路推論
• Authors: Rikuto Kotoge, Ziwei Yang, Zheng Chen, Yushun Dong, Yasuko Matsubara, Jimeng Sun, Yasushi Sakurai,
• Abstract要約: 本稿では,生物データベースの様々なグラフ(バイオネットワーク)を分類するために,実験データを明示的に統合した新しいサブグラフ推論フレームワークであるExPAthを提案する。 我々のフレームワークは、生物学的基盤モデルをシームレスに統合し、実験分子データをエンコードすることができる。 301のバイオネットワーク評価を含む実験では、ExPathによって推論される経路が生物学的に意味があることが示されている。
• 参考スコア（独自算出の注目度）: 37.72627790771535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieving targeted pathways in biological knowledge bases, particularly when incorporating wet-lab experimental data, remains a challenging task and often requires downstream analyses and specialized expertise. In this paper, we frame this challenge as a solvable graph learning and explaining task and propose a novel subgraph inference framework, ExPAth, that explicitly integrates experimental data to classify various graphs (bio-networks) in biological databases. The links (representing pathways) that contribute more to classification can be considered as targeted pathways. Our framework can seamlessly integrate biological foundation models to encode the experimental molecular data. We propose ML-oriented biological evaluations and a new metric. The experiments involving 301 bio-networks evaluations demonstrate that pathways inferred by ExPath are biologically meaningful, achieving up to 4.5x higher Fidelity+ (necessity) and 14x lower Fidelity- (sufficiency) than explainer baselines, while preserving signaling chains up to 4x longer.
• Abstract（参考訳）: 生物学的知識基盤における標的経路の取得、特に湿式実験データの導入は依然として困難な課題であり、下流の分析や専門的な専門知識を必要とすることが多い。 本稿では,この課題を解き易いグラフ学習と説明課題として捉え,生物学的データベースにおける様々なグラフ(バイオネットワーク)を分類するために実験データを明示的に統合した新しいサブグラフ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。 我々のフレームワークは、生物学的基盤モデルをシームレスに統合し、実験分子データをエンコードすることができる。 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に有意であり、説明基準よりも4.5倍高いフィデリティ+(必要)と14倍低いフィデリティ−(十分)を達成し、シグナル連鎖を最大4倍長く保存することを示した。

関連論文リスト

• BioGraphFusion: Graph Knowledge Embedding for Biological Completion and Reasoning [0.8983181722105922]
  そこで我々は,BioGraphFusionを紹介した。 3つの重要なバイオメディカルタスクにわたる実験により、バイオグラフフュージョンは最先端のKE、GNN、アンサンブルモデルよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2025-07-19T04:03:42Z)
• BioX-CPath: Biologically-driven Explainable Diagnostics for Multistain IHC Computational Pathology [0.9603373981832565]
  BioX-CPathは、全スライド画像(WSI)分類のための説明可能なグラフニューラルネットワークアーキテクチャである。 BioX-CPathはStain-Aware Attention Pooling (SAAP)モジュールを導入した。
  論文  参考訳（メタデータ） (2025-03-26T18:00:22Z)
• From Pixels to Histopathology: A Graph-Based Framework for Interpretable Whole Slide Image Analysis [81.19923502845441]
  我々はWSIグラフ表現を構成するグラフベースのフレームワークを開発する。 任意のパッチではなく生物学的境界に従う組織表現(ノード)を構築します。 本手法の最終段階として,グラフアテンションネットワークを用いて診断課題を解決する。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• PathVG: A New Benchmark and Dataset for Pathology Visual Grounding [45.21597220882424]
  そこで我々はPathVG(Pathology Visual Grounding)と呼ばれる新しいベンチマークを提案する。 実験の結果,病理表現の根底にある暗黙的な情報に最大の課題があることが判明した。 提案手法は,PathVGベンチマーク上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-02-28T09:13:01Z)
• BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
  実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。 CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。 そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
  論文  参考訳（メタデータ） (2025-02-23T17:38:10Z)
• 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)
• 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)
• 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。