論文の概要: GraphPINE: Graph Importance Propagation for Interpretable Drug Response Prediction
- arxiv url: http://arxiv.org/abs/2504.05454v1
- Date: Mon, 07 Apr 2025 19:42:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-09 13:30:38.483758
- Title: GraphPINE: Graph Importance Propagation for Interpretable Drug Response Prediction
- Title（参考訳）: GraphPINE: 解釈可能な薬物反応予測のためのグラフ重要度プロパゲーション
- Authors: Yoshitaka Inoue, Tianfan Fu, Augustin Luna,
- Abstract要約: GraphPINEは、ノードの重要性にドメイン固有の事前知識を活用するグラフニューラルネットワーク(GNN)アーキテクチャである。
薬物スクリーニングと5000以上の遺伝子ノードで収集された遺伝子データを用いて,がん治療薬の反応予測にGraphPINEを適用した。
GraphPINEのPR-AUCは0.894、ROC-AUCは0.796、薬物は922である。
- 参考スコア（独自算出の注目度）: 10.528489471229946
- License:
- Abstract: Explainability is necessary for many tasks in biomedical research. Recent explainability methods have focused on attention, gradient, and Shapley value. These do not handle data with strong associated prior knowledge and fail to constrain explainability results based on known relationships between predictive features. We propose GraphPINE, a graph neural network (GNN) architecture leveraging domain-specific prior knowledge to initialize node importance optimized during training for drug response prediction. Typically, a manual post-prediction step examines literature (i.e., prior knowledge) to understand returned predictive features. While node importance can be obtained for gradient and attention after prediction, node importance from these methods lacks complementary prior knowledge; GraphPINE seeks to overcome this limitation. GraphPINE differs from other GNN gating methods by utilizing an LSTM-like sequential format. We introduce an importance propagation layer that unifies 1) updates for feature matrix and node importance and 2) uses GNN-based graph propagation of feature values. This initialization and updating mechanism allows for informed feature learning and improved graph representation. We apply GraphPINE to cancer drug response prediction using drug screening and gene data collected for over 5,000 gene nodes included in a gene-gene graph with a drug-target interaction (DTI) graph for initial importance. The gene-gene graph and DTIs were obtained from curated sources and weighted by article count discussing relationships between drugs and genes. GraphPINE achieves a PR-AUC of 0.894 and ROC-AUC of 0.796 across 952 drugs. Code is available at https://anonymous.4open.science/r/GraphPINE-40DE.
- Abstract（参考訳）: 生物医学研究における多くの課題には説明可能性が必要である。
最近の説明可能性法は、注意力、勾配、およびシェープ値に重点を置いている。
これらは、強い関連する事前知識を持つデータを処理せず、予測的特徴間の既知の関係に基づいた説明可能性結果の制約に失敗する。
薬物応答予測のためのトレーニング中に最適化されたノードの重要度を初期化するために、ドメイン固有の事前知識を活用するグラフニューラルネットワーク(GNN)アーキテクチャであるGraphPINEを提案する。
通常、手動の予測後ステップは、返却された予測的特徴を理解するために文学(すなわち事前知識)を調べる。
ノードの重要性は予測後の勾配と注意のために得られるが、これらの方法からのノードの重要性は相補的な事前知識に欠けており、GraphPINEはこの制限を克服しようとしている。
GraphPINEはLSTMのようなシーケンシャルフォーマットを利用することで他のGNNゲーティング手法とは異なる。
重要伝播層を導入し、統合する。
1)特徴行列とノードの重要性の更新
2) 特徴値のグラフ伝播にGNNを用いた。
この初期化と更新のメカニズムは、情報的特徴学習と改善されたグラフ表現を可能にする。
薬物スクリーニングと遺伝子データを用いたがん治療薬の反応予測にGraphPINEを適用した。
遺伝子・遺伝子グラフとDTIは、キュレートされたソースから得られ、医薬品と遺伝子の関係を議論する記事数によって重み付けされた。
GraphPINEのPR-AUCは0.894、ROC-AUCは0.796、薬物は922である。
コードはhttps://anonymous.4open.science/r/GraphPINE-40DEで公開されている。
関連論文リスト
- Graph data modelling for outcome prediction in oropharyngeal cancer
patients [38.37247384790338]
グラフニューラルネットワーク(GNN)は、疾患の分類と予後予測のタスクにおいて、医療分野でますます人気が高まっている。
口腔咽頭癌(OPC)患者の2次予後予測のためのインダクティブ・ラーニング・セットアップで検討した患者ハイパーグラフ・ネットワーク(PHGN)を提案する。
論文 参考訳（メタデータ） (2023-10-04T16:09:35Z) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - Analysis of Drug repurposing Knowledge graphs for Covid-19 [0.0]
本研究は、薬物再資源知識グラフ(DRKG)を用いた新型コロナウイルスの候補薬剤のセットを提案する。
DRKGは、大量のオープンソースバイオメディカル知識を用いて構築された生物学的知識グラフである。
ノードと関係埋め込みは知識グラフ埋め込みモデルとニューラルネットワークおよび注意関連モデルを用いて学習される。
論文 参考訳（メタデータ） (2022-12-07T19:14:17Z) - A Deep Learning Approach to the Prediction of Drug Side-Effects on
Molecular Graphs [2.4087148947930634]
グラフニューラルネットワークを用いて薬物副作用を予測する手法を開発した。
私たちは、自由にアクセス可能で、確立されたデータソースからデータセットを構築します。
その結果,本手法は,多くのパラメータや指標の下で,分類能力の向上を図っている。
論文 参考訳（メタデータ） (2022-11-30T10:12:41Z) - MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。
我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文 参考訳（メタデータ） (2022-08-21T15:12:08Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - Node Feature Extraction by Self-Supervised Multi-scale Neighborhood
Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。
GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。
我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文 参考訳（メタデータ） (2021-10-29T19:55:12Z) - Heterogeneous Similarity Graph Neural Network on Electronic Health
Records [74.66674469510251]
非均質な類似度グラフニューラルネットワーク(HSGNN)を提案し、新しい異種GNNでEHRを分析します。
フレームワークは2つの部分から構成される: 1つは前処理方式で、もう1つはエンドツーエンドのGNNである。
GNNは全ての同質グラフを入力として取り、それら全てを1つのグラフに融合して予測する。
論文 参考訳（メタデータ） (2021-01-17T23:14:29Z) - Latent-Graph Learning for Disease Prediction [44.26665239213658]
我々は,GCNの下流における疾患分類の課題に向けて,一つの最適なグラフを学習することが可能であることを示す。
一般的に用いられているスペクトルGCNアプローチとは異なり、我々のGCNは空間的かつ誘導的であり、これまで見られなかった患者も推測できる。
論文 参考訳（メタデータ） (2020-03-27T08:18:01Z) - Differentiable Graph Module (DGM) for Graph Convolutional Networks [44.26665239213658]
Differentiable Graph Module (DGM) は、下流タスクに最適なグラフのエッジ確率を予測する学習可能な関数である。
医療分野(退院予測)、脳画像(年齢予測)、コンピュータグラフィックス(3Dポイントクラウドセグメンテーション)、コンピュータビジョン(ゼロショット学習)の応用を幅広く評価する。
論文 参考訳（メタデータ） (2020-02-11T12:59:35Z)
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。