論文の概要: A Systematic Evaluation of Knowledge Graph Embeddings for Gene-Disease Association Prediction

• arxiv url: http://arxiv.org/abs/2504.08445v1
• Date: Fri, 11 Apr 2025 11:11:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:18:13.019689
• Title: A Systematic Evaluation of Knowledge Graph Embeddings for Gene-Disease Association Prediction
• Title（参考訳）: ジェネレーションアソシエーション予測のための知識グラフ埋め込みの体系的評価
• Authors: Catarina Canastra, Cátia Pesquita,
• Abstract要約: 本研究は,ノード対分類タスクに対してリンク予測の性能を比較するための新しいフレームワークを提案する。 また、疾患特異的なオントロジーによる意味豊かさの影響や、評価間の追加的な関連性も評価する。 その結果、エンコードされた疾患の表現を豊かにすることは、パフォーマンスをわずかに改善する一方、追加リンクはより大きな影響を与えることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Discovery gene-disease links is important in biology and medicine areas, enabling disease identification and drug repurposing. Machine learning approaches accelerate this process by leveraging biological knowledge represented in ontologies and the structure of knowledge graphs. Still, many existing works overlook ontologies explicitly representing diseases, missing causal and semantic relationships between them. The gene-disease association problem naturally frames itself as a link prediction task, where embedding algorithms directly predict associations by exploring the structure and properties of the knowledge graph. Some works frame it as a node-pair classification task, combining embedding algorithms with traditional machine learning algorithms. This strategy aligns with the logic of a machine learning pipeline. However, the use of negative examples and the lack of validated gene-disease associations to train embedding models may constrain its effectiveness. This work introduces a novel framework for comparing the performance of link prediction versus node-pair classification tasks, analyses the performance of state of the art gene-disease association approaches, and compares the different order-based formalizations of gene-disease association prediction. It also evaluates the impact of the semantic richness through a disease-specific ontology and additional links between ontologies. The framework involves five steps: data splitting, knowledge graph integration, embedding, modeling and prediction, and method evaluation. Results show that enriching the semantic representation of diseases slightly improves performance, while additional links generate a greater impact. Link prediction methods better explore the semantic richness encoded in knowledge graphs. Although node-pair classification methods identify all true positives, link prediction methods outperform overall.
• Abstract（参考訳）: 遺伝子の発見は生物学や医学分野において重要であり、疾患の同定と薬物再資源化を可能にしている。 機械学習アプローチは、オントロジーで表される生物学的知識と知識グラフの構造を活用することによって、このプロセスを加速させる。 それでも、多くの既存の研究は、病気を明示するオントロジーを見落としており、それらの間の因果関係と意味関係が欠落している。 遺伝子分解関連問題は自然にリンク予測タスクとして機能し、埋め込みアルゴリズムは知識グラフの構造と性質を探索することによって関連を直接予測する。 組み込みアルゴリズムと従来の機械学習アルゴリズムを組み合わせたノードペア分類タスクとして構成する作業もある。 この戦略は、機械学習パイプラインのロジックと一致している。 しかし、負の例の使用と、組込みモデルの訓練に検証された遺伝子消失関連が欠如していることは、その効果を阻害する可能性がある。 本研究は, リンク予測とノードペア分類タスクのパフォーマンスを比較し, 最先端の遺伝子組換え手法の性能を分析し, 遺伝子組換え予測の順序に基づく定式化を比較した。 また、疾患特異的なオントロジーと、オントロジー間の追加的なリンクを通じて、意味豊かさの影響を評価する。 このフレームワークには、データ分割、知識グラフの統合、埋め込み、モデリングと予測、メソッド評価の5つのステップが含まれている。 その結果、病気の意味表現を豊かにすることは、パフォーマンスをわずかに改善する一方、追加リンクはより大きな影響を与えることが示された。 リンク予測手法は知識グラフに符号化された意味豊かさをよりよく探索する。 ノード対分類法は全ての正の正を識別するが、リンク予測法は全体として優れていた。

関連論文リスト

• Graph Relation Distillation for Efficient Biomedical Instance Segmentation [80.51124447333493]
  本稿では,効率的なバイオメディカル・インスタンス・セグメンテーションのためのグラフ関係蒸留手法を提案する。 画像内レベルと画像間レベルの両方に展開する2つのグラフ蒸留方式を導入する。 多くのバイオメディカルデータセットの実験結果から,本手法の有効性が検証された。
  論文  参考訳（メタデータ） (2024-01-12T04:41:23Z)
• Classification of developmental and brain disorders via graph convolutional aggregation [6.6356049194991815]
  本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。 提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。 我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
  論文  参考訳（メタデータ） (2023-11-13T14:36:29Z)
• 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)
• Knowledge Graph Completion based on Tensor Decomposition for Disease Gene Prediction [2.838553480267889]
  疾患や遺伝子を中心とした生物学的知識グラフを構築し,疾患発生予測のためのエンドツーエンドの知識グラフ補完モデルを構築した。 KDGeneは、実体の埋め込みとテンソル分解との関係の間の相互作用モジュールを導入し、生物学的知識における情報相互作用を効果的に強化する。
  論文  参考訳（メタデータ） (2023-02-18T13:57:44Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• 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)
• Implications of Topological Imbalance for Representation Learning on Biomedical Knowledge Graphs [16.566710222582618]
  知識グラフ埋め込みモデルが構造的不均衡によってどのように影響を受けるかを示す。 グラフトポロジを摂動させて、ランダムで生物学的に無意味な情報によって遺伝子ランクを人工的に変化させる方法を示す。
  論文  参考訳（メタデータ） (2021-12-13T11:20:36Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Predicting Gene-Disease Associations with Knowledge Graph Embeddings over Multiple Ontologies [0.0]
  オントロジーに基づく遺伝子障害関連性を予測するアプローチには、知識グラフの埋め込みが含まれる。 知識グラフ埋め込みが遺伝子・酵素関連などの複雑なタスクに与える影響について検討する。
  論文  参考訳（メタデータ） (2021-05-11T11:20:38Z)
• 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)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。