Fugu-MT 論文翻訳(概要): Interpretable High-order Knowledge Graph Neural Network for Predicting Synthetic Lethality in Human Cancers

論文の概要: Interpretable High-order Knowledge Graph Neural Network for Predicting Synthetic Lethality in Human Cancers

arxiv url: http://arxiv.org/abs/2503.06052v2
Date: Wed, 19 Mar 2025 04:23:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-03-20 19:05:26.588727
Title: Interpretable High-order Knowledge Graph Neural Network for Predicting Synthetic Lethality in Human Cancers
Title（参考訳）: ヒト癌における合成正統性予測のための高次知識グラフニューラルネットワーク
Authors: Xuexin Chen, Ruichu Cai, Zhengting Huang, Zijian Li, Jie Zheng, Min Wu,
Abstract要約: 合成致死性(SL)は癌治療において有望な遺伝子相互作用である。最近のSL予測手法は知識グラフをグラフニューラルネットワーク(GNN)に統合する DGIB4SL(Diverse Graph Information Bottleneck for Synthetic Lethality)を提案する。
参考スコア（独自算出の注目度）: 16.6037911734201
License:
Abstract: Synthetic lethality (SL) is a promising gene interaction for cancer therapy. Recent SL prediction methods integrate knowledge graphs (KGs) into graph neural networks (GNNs) and employ attention mechanisms to extract local subgraphs as explanations for target gene pairs. However, attention mechanisms often lack fidelity, typically generate a single explanation per gene pair, and fail to ensure trustworthy high-order structures in their explanations. To overcome these limitations, we propose Diverse Graph Information Bottleneck for Synthetic Lethality (DGIB4SL), a KG-based GNN that generates multiple faithful explanations for the same gene pair and effectively encodes high-order structures. Specifically, we introduce a novel DGIB objective, integrating a Determinant Point Process (DPP) constraint into the standard IB objective, and employ 13 motif-based adjacency matrices to capture high-order structures in gene representations. Experimental results show that DGIB4SL outperforms state-of-the-art baselines and provides multiple explanations for SL prediction, revealing diverse biological mechanisms underlying SL inference.
Abstract（参考訳）: 合成致死性(SL)は癌治療において有望な遺伝子相互作用である。近年のSL予測法では、知識グラフをグラフニューラルネットワーク(GNN)に統合し、対象遺伝子対の説明として局所部分グラフを抽出するための注意機構を用いる。しかし、注意機構はしばしば忠実さを欠き、典型的には遺伝子対1つ1つの説明を生成し、その説明において信頼できる高次構造を確実にすることができない。これらの制約を克服するため、我々はKGベースのGNNであるDiverse Graph Information Bottleneck for Synthetic Lethality (DGIB4SL)を提案する。具体的には、新しいDGIB目標を導入し、DPP制約を標準IB目標に統合し、13のモチーフベースの隣接行列を用いて遺伝子表現の高次構造を捉える。実験の結果、DGIB4SLは最先端のベースラインより優れており、SL予測の複数の説明を提供し、SL推論の基盤となる多様な生物学的メカニズムを明らかにしている。

関連論文リスト

GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
論文参考訳（メタデータ） (2025-02-11T05:39:49Z)
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)
HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
論文参考訳（メタデータ） (2024-01-18T12:47:13Z)
Multi-omics Sampling-based Graph Transformer for Synthetic Lethality Prediction [20.363977976628792]
合成致死性(SL)予測は、2つの遺伝子の共変異が細胞死をもたらすかどうかを識別するために用いられる。グラフニューラルネットワーク(GNN)は、メッセージパッシング機構の制限に悩まされる。 SL予測のためのマルチオミクスサンプリンググラフ変換器(MSGT-SL)を提案する。
論文参考訳（メタデータ） (2023-10-17T09:06:41Z)
ACGAN-GNNExplainer: Auxiliary Conditional Generative Explainer for Graph Neural Networks [7.077341403454516]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで有効であることが証明されているが、その基盤となるメカニズムは謎のままである。この課題に対処し、信頼性の高い意思決定を可能にするため、近年多くのGNN説明者が提案されている。本稿では、GNN説明分野にAuxiliary Generative Adrative Network (ACGAN)を導入し、emphACGANGNNExplainerと呼ばれる新しいGNN説明器を提案する。
論文参考訳（メタデータ） (2023-09-29T01:20:28Z)
Adaptive Gated Graph Convolutional Network for Explainable Diagnosis of Alzheimer's Disease using EEG Data [9.601125513491835]
本稿では,適応ゲートグラフ畳み込みネットワーク(AGGCN)を提案する。 AGGCNは、畳み込みに基づくノード特徴増強と相関に基づくパワースペクトル密度類似度の尺度を組み合わせることで、グラフ構造を適応的に学習する。
論文参考訳（メタデータ） (2023-04-12T14:13:09Z)
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)
Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文参考訳（メタデータ） (2022-07-06T10:01:46Z)
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)
Principled Hyperedge Prediction with Structural Spectral Features and Neural Networks [23.32326186631456]
Hypergraphは、現実世界の複雑なデータにおける多面的関係を記述するためのフレームワークを提供する。 SNALSは、その局所環境によってハイパーエッジの結合相互作用をキャプチャし、それらの接続のスペクトル情報を収集して取得する。 SNALSは染色体間で常に高い予測精度を示し、4方向遺伝子相互作用の新たな発見を生んだ。
論文参考訳（メタデータ） (2021-06-08T12:43:17Z)

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。