論文の概要: GCBLANE: A graph-enhanced convolutional BiLSTM attention network for improved transcription factor binding site prediction

• arxiv url: http://arxiv.org/abs/2503.12377v1
• Date: Sun, 16 Mar 2025 06:52:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 15:59:29.966513
• Title: GCBLANE: A graph-enhanced convolutional BiLSTM attention network for improved transcription factor binding site prediction
• Title（参考訳）: GCBLANE:改良された転写因子結合部位予測のためのグラフ付き畳み込みBiLSTMアテンションネットワーク
• Authors: Jonas Chris Ferrao, Dickson Dias, Sweta Morajkar, Manisha Gokuldas Fal Dessai,
• Abstract要約: GCBLANE(GCBLANE)は、Long Short-Term Memory (LSTM)アテンションネットワークである。 畳み込み、マルチヘッド、リカレントレイヤをグラフニューラルネットワークに統合し、TFBS予測の重要な特徴を検出する。 690 ENCODE ChIP-SeqデータセットではGCBLANEは平均0.943のAUCを獲得し、165 ENCODEでは0.9495のAUCに達した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Identifying transcription factor binding sites (TFBS) is crucial for understanding gene regulation, as these sites enable transcription factors (TFs) to bind to DNA and modulate gene expression. Despite advances in high-throughput sequencing, accurately identifying TFBS remains challenging due to the vast genomic data and complex binding patterns. GCBLANE, a graph-enhanced convolutional bidirectional Long Short-Term Memory (LSTM) attention network, is introduced to address this issue. It integrates convolutional, multi-head attention, and recurrent layers with a graph neural network to detect key features for TFBS prediction. On 690 ENCODE ChIP-Seq datasets, GCBLANE achieved an average AUC of 0.943, and on 165 ENCODE datasets, it reached an AUC of 0.9495, outperforming advanced models that utilize multimodal approaches, including DNA shape information. This result underscores GCBLANE's effectiveness compared to other methods. By combining graph-based learning with sequence analysis, GCBLANE significantly advances TFBS prediction.
• Abstract（参考訳）: 転写因子結合部位(TFBS)の同定は、転写因子(TF)がDNAに結合し遺伝子発現を調節できるため、遺伝子調節を理解するために重要である。 高スループットシークエンシングの進歩にもかかわらず、TFBSの正確な同定は、膨大なゲノムデータと複雑な結合パターンのために難しいままである。 グラフ付き畳み込み二方向性長短期記憶(LSTM)アテンションネットワークであるGCBLANEがこの問題に対処するために導入された。 畳み込み、マルチヘッド、リカレントレイヤをグラフニューラルネットワークに統合し、TFBS予測の重要な特徴を検出する。 690 ENCODE ChIP-SeqデータセットではGCBLANEは平均0.943のAUCを達成し、165 ENCODEデータセットでは0.9495のAUCに達し、DNA形状情報を含むマルチモーダルアプローチを利用する高度なモデルを上回った。 この結果は、GCBLANEが他の方法と比較して有効であることを示す。 グラフベースの学習とシーケンス解析を組み合わせることで、GCBLANEはTFBS予測を大幅に前進させる。

関連論文リスト

• TFBS-Finder: Deep Learning-based Model with DNABERT and Convolutional Networks to Predict Transcription Factor Binding Sites [4.293083690039339]
  我々は,事前学習したDNABERT,CNNモジュール,MCBAMモジュール,MSCAモジュール,出力モジュールを用いたディープラーニングモデルを開発した。 TFBS-Finderは165のENCODE ChIP-seqデータセットでトレーニングされ、テストされる。
  論文  参考訳（メタデータ） (2025-02-03T12:41:11Z)
• Single-cell Curriculum Learning-based Deep Graph Embedding Clustering [21.328135630638343]
  シングルセル学習に基づく深層グラフ埋め込みクラスタリング(scCLG)を提案する。 まず,3つの最適化目標を組み合わせたマルチ基準(ChebAE)を用いたChebyshevグラフ畳み込みオートエンコーダを提案する。 我々は、ノードの特徴とエントロピーに基づいてGNNを訓練し、困難なノードを訓練するために選択的なトレーニング戦略を採用する。
  論文  参考訳（メタデータ） (2024-08-20T03:20:13Z)
• scASDC: Attention Enhanced Structural Deep Clustering for Single-cell RNA-seq Data [5.234149080137045]
  scRNA-seqデータに固有の高空間性および複雑なノイズパターンは、従来のクラスタリング手法において重要な課題である。 本稿では,深層クラスタリング手法であるアテンション強化構造深層埋め込みグラフクラスタリング(scASDC)を提案する。 scASDCはクラスタリングの精度と堅牢性を改善するために、複数の高度なモジュールを統合している。
  論文  参考訳（メタデータ） (2024-08-09T09:10:36Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Injecting Hierarchical Biological Priors into Graph Neural Networks for Flow Cytometry Prediction [1.7709249262395883]
  本研究では、単一セルのマルチクラス分類のためのグラフニューラルネットワーク(GNN)に階層的な事前知識を注入することを検討する。 本稿では,複数のGNNモデル,すなわちFCHC-GNNに適用可能な階層的なプラグイン手法を提案する。
  論文  参考訳（メタデータ） (2024-05-28T18:24:16Z)
• Cell Graph Transformer for Nuclei Classification [78.47566396839628]
  我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。 不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。 グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-20T12:01:30Z)
• scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
  グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。 scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。 scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
  論文  参考訳（メタデータ） (2023-12-16T03:54:26Z)
• 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)
• 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)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)

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。