論文の概要: Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification, An Interpretable Multi-Omics Approach

• arxiv url: http://arxiv.org/abs/2503.22939v1
• Date: Sat, 29 Mar 2025 02:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:33:16.411356
• Title: Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification, An Interpretable Multi-Omics Approach
• Title（参考訳）: マルチキャリア分類とバイオマーカー同定のためのグラフコルモゴロフ・アルノルドネットワーク : 解釈可能なマルチオミクスアプローチ
• Authors: Fadi Alharbi, Nishant Budhiraja, Aleksandar Vakanski, Boyu Zhang, Murtada K. Elbashir, Mohanad Mohammed,
• Abstract要約: Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化データをプロテイン-プロテイン相互作用(PPI)ネットワークと統合し、31種類のがんの正確かつ解釈可能な分類を行う。 MOGKANは96.28パーセントの分類精度を達成し、標準偏差をCNNやグラフニューラルネットワーク(GNN)と比較して1.58～7.30%削減する実験変数の低さを示す。 提案モデルでは,ホスホイノシチド結合物質を検出し,スフィンゴ脂質を調節することにより,分子発生機構を明らかにすることができる。
• 参考スコア（独自算出の注目度）: 38.518937232195285
• License:
• Abstract: The integration of multi-omics data presents a major challenge in precision medicine, requiring advanced computational methods for accurate disease classification and biological interpretation. This study introduces the Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN), a deep learning model that integrates messenger RNA, micro RNA sequences, and DNA methylation data with Protein-Protein Interaction (PPI) networks for accurate and interpretable cancer classification across 31 cancer types. MOGKAN employs a hybrid approach combining differential expression with DESeq2, Linear Models for Microarray (LIMMA), and Least Absolute Shrinkage and Selection Operator (LASSO) regression to reduce multi-omics data dimensionality while preserving relevant biological features. The model architecture is based on the Kolmogorov-Arnold theorem principle, using trainable univariate functions to enhance interpretability and feature analysis. MOGKAN achieves classification accuracy of 96.28 percent and demonstrates low experimental variability with a standard deviation that is reduced by 1.58 to 7.30 percents compared to Convolutional Neural Networks (CNNs) and Graph Neural Networks (GNNs). The biomarkers identified by MOGKAN have been validated as cancer-related markers through Gene Ontology (GO) and Kyoto Encyclopedia of Genes and Genomes (KEGG) enrichment analysis. The proposed model presents an ability to uncover molecular oncogenesis mechanisms by detecting phosphoinositide-binding substances and regulating sphingolipid cellular processes. By integrating multi-omics data with graph-based deep learning, our proposed approach demonstrates superior predictive performance and interpretability that has the potential to enhance the translation of complex multi-omics data into clinically actionable cancer diagnostics.
• Abstract（参考訳）: マルチオミクスデータの統合は、正確な疾患分類と生物学的解釈のために高度な計算方法を必要とする精度医学において大きな課題となる。 本研究は,Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)を紹介した。これは,メッセンジャーRNA,マイクロRNA配列,DNAメチル化データとタンパク質-プロテイン相互作用(PPI)ネットワークを統合した深層学習モデルである。 MOGKAN は微分式を DESeq2,Linear Models for Microarray (LIMMA), Least Absolute Shrinkage and Selection Operator (LASSO) レグレッションと組み合わせたハイブリッドアプローチを採用し、関連する生物学的特徴を保ちながらマルチオミクスデータの次元を低減する。 モデルアーキテクチャはコルモゴロフ=アルノルドの定理に基づいており、訓練可能なユニバリケート関数を用いて解釈可能性と特徴解析を強化する。 MOGKANは96.28パーセントの分類精度を達成し、コンボリューショナルニューラルネットワーク(CNN)やグラフニューラルネットワーク(GNN)と比較して、標準偏差を1.58～7.30%削減した実験変数の低さを示す。 MOGKANによって同定されたバイオマーカーは、遺伝子オントロジー(GO)および京都遺伝子ゲノム百科事典(KEGG)エンリッチメント分析により、癌関連マーカーとして検証されている。 提案モデルでは,ホスホイノシチド結合物質を検出し,スフィンゴ脂質の細胞過程を制御することにより,分子の発癌機構を明らかにすることができる。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,複雑なマルチオミクスデータの臨床的に実行可能ながん診断への変換を促進できる優れた予測性能と解釈可能性を示す。

関連論文リスト

• Comparative Analysis of Multi-Omics Integration Using Advanced Graph Neural Networks for Cancer Classification [40.45049709820343]
  マルチオミクスデータ統合は、高次元性、データ複雑さ、および様々なオミクスタイプの異なる特徴により、大きな課題を生じさせる。 本研究では、グラフ畳み込みネットワーク(GCN)、グラフアテンションネットワーク(GAT)、グラフトランスフォーマーネットワーク(GTN)に基づくマルチオミクス(MO)統合のための3つのグラフニューラルネットワークアーキテクチャを評価する。
  論文  参考訳（メタデータ） (2024-10-05T16:17:44Z)
• Stacked ensemble\-based mutagenicity prediction model using multiple modalities with graph attention network [0.9736758288065405]
  変異原性は、様々なネガティブな結果をもたらす遺伝子変異と関連しているため、懸念される。 本研究では,新しいアンサンブルに基づく変異原性予測モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-03T09:14:21Z)
• LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
  本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
  論文  参考訳（メタデータ） (2024-08-30T16:26:04Z)
• 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)
• IGCN: Integrative Graph Convolution Networks for patient level insights and biomarker discovery in multi-omics integration [2.0971479389679337]
  本稿では,癌分子サブタイプとバイオメディカル分類のための新しい統合ニューラルネットワークアプローチを提案する。 IGCNは、特定のクラスを予測するために患者に対してどのタイプのオミクスがより強調されるかを特定することができる。 IGCNは、様々なオミクスデータタイプから重要なバイオマーカーを特定できる。
  論文  参考訳（メタデータ） (2024-01-31T05:52:11Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。