論文の概要: A Novel Graph Transformer Framework for Gene Regulatory Network Inference

• arxiv url: http://arxiv.org/abs/2504.16961v1
• Date: Wed, 23 Apr 2025 06:24:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.098689
• Title: A Novel Graph Transformer Framework for Gene Regulatory Network Inference
• Title（参考訳）: 遺伝子制御型ネットワーク推論のための新しいグラフトランスフレームワーク
• Authors: Binon Teji, Swarup Roy,
• Abstract要約: 遺伝子制御ネットワーク(GRN)の推測は、必ずしも真の生物学的相互作用を反映するとは限らない。 ほとんどのGRN推論手法は、ネットワーク再構築フェーズにおいていくつかの課題に直面している。 生データから直接遺伝子発現パターンをキャプチャするために,オートエンコーダの埋め込みを用いる。 GRN構造からの事前の知識を埋め込み、それらをテキストのような表現に変換する。
• 参考スコア（独自算出の注目度）: 0.27624021966289597
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The inference of gene regulatory networks (GRNs) is a foundational stride towards deciphering the fundamentals of complex biological systems. Inferring a possible regulatory link between two genes can be formulated as a link prediction problem. Inference of GRNs via gene coexpression profiling data may not always reflect true biological interactions, as its susceptibility to noise and misrepresenting true biological regulatory relationships. Most GRN inference methods face several challenges in the network reconstruction phase. Therefore, it is important to encode gene expression values, leverege the prior knowledge gained from the available inferred network structures and positional informations of the input network nodes towards inferring a better and more confident GRN network reconstruction. In this paper, we explore the integration of multiple inferred networks to enhance the inference of Gene Regulatory Networks (GRNs). Primarily, we employ autoencoder embeddings to capture gene expression patterns directly from raw data, preserving intricate biological signals. Then, we embed the prior knowledge from GRN structures transforming them into a text-like representation using random walks, which are then encoded with a masked language model, BERT, to generate global embeddings for each gene across all networks. Additionally, we embed the positional encodings of the input gene networks to better identify the position of each unique gene within the graph. These embeddings are integrated into graph transformer-based model, termed GT-GRN, for GRN inference. The GT-GRN model effectively utilizes the topological structure of the ground truth network while incorporating the enriched encoded information. Experimental results demonstrate that GT-GRN significantly outperforms existing GRN inference methods, achieving superior accuracy and highlighting the robustness of our approach.
• Abstract（参考訳）: 遺伝子制御ネットワーク(GRN)の推論は、複雑な生物学的システムの基盤を解読するための基礎的な取り組みである。 2つの遺伝子間の規制リンクを推測することは、リンク予測問題として定式化することができる。 遺伝子発現プロファイリングデータによるGRNの推測は、そのノイズへの感受性や、真の生物学的規制関係を誤って表すため、必ずしも真の生物学的相互作用を反映するとは限らない。 ほとんどのGRN推論手法は、ネットワーク再構築フェーズにおいていくつかの課題に直面している。 したがって、より優れた信頼性の高いGRNネットワーク再構築を推し進めるために、遺伝子発現値を符号化し、利用可能な推論ネットワーク構造と入力ネットワークノードの位置情報から得られた事前知識を抽出することが重要である。 本稿では,遺伝子制御ネットワーク(GRN)の推論を強化するために,複数の推論ネットワークの統合について検討する。 主に、生データから直接遺伝子発現パターンをキャプチャし、複雑な生物学的信号を保存するためにオートエンコーダの埋め込みを用いる。 そして、GRN構造からの以前の知識をランダムウォークを用いてテキストライクな表現に変換し、それをマスク付き言語モデルBERTで符号化し、全ネットワークにまたがる各遺伝子に対するグローバルな埋め込みを生成する。 さらに、入力された遺伝子ネットワークの位置エンコーディングを組み込んで、グラフ内の各ユニークな遺伝子の位置をより正確に識別する。 これらの埋め込みは、GRN推論のためにGT-GRNと呼ばれるグラフトランスフォーマーベースのモデルに統合される。 GT-GRNモデルは、エンリッチエンコードされた情報を組み込んで、地上の真理ネットワークのトポロジ的構造を効果的に活用する。 実験の結果, GT-GRN は既存の GRN 推論法よりも優れ, 精度が向上し, 提案手法の堅牢性を強調した。

関連論文リスト

• GRNFormer: A Biologically-Guided Framework for Integrating Gene Regulatory Networks into RNA Foundation Models [39.58414436685698]
  マルチオミクスデータから推定されるマルチスケール遺伝子制御ネットワーク(GRN)をRNA基盤モデルトレーニングに統合する新しいフレームワークを提案する。 GRNFormerは、最先端(SoTA)ベースラインに対して一貫した改善を実現している。
  論文  参考訳（メタデータ） (2025-03-03T15:56:39Z)
• Cross-Attention Graph Neural Networks for Inferring Gene Regulatory Networks with Skewed Degree Distribution [9.919024883502322]
  クロスアテンション複合デュアルグラフ埋め込みモデル(XATGRN) 我々のモデルは、様々なデータセットで既存の最先端メソッドよりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-12-18T10:56:40Z)
• Analysis of Gene Regulatory Networks from Gene Expression Using Graph Neural Networks [0.4369058206183195]
  本研究では、遺伝子制御ネットワーク(GRN)のようなグラフ構造化データをモデリングするための強力なアプローチであるグラフニューラルネットワーク(GNN)の利用について検討する。 規制相互作用を正確に予測し、キーレギュレータをピンポイントするモデルの有効性は、高度な注意機構に起因している。 GNNのGRN研究への統合は、パーソナライズド医療、薬物発見、生物学的システムの把握における先駆的な発展を目標としている。
  論文  参考訳（メタデータ） (2024-09-20T17:16:14Z)
• Gene Regulatory Network Inference from Pre-trained Single-Cell Transcriptomics Transformer with Joint Graph Learning [10.44434676119443]
  単一細胞RNAシークエンシング(scRNA-seq)データから遺伝子制御ネットワーク(GRN)を推定することは複雑である。 本研究では,単一セルBERTを用いた事前学習型トランスモデル(scBERT)を活用することで,この問題に対処する。 本稿では,単一セル言語モデルによって学習されたリッチな文脈表現と,GRNで符号化された構造化知識を組み合わせた,新しい共同グラフ学習手法を提案する。
  論文  参考訳（メタデータ） (2024-07-25T16:42:08Z)
• Stability Analysis of Non-Linear Classifiers using Gene Regulatory Neural Network for Biological AI [2.0755366440393743]
  二重層転写翻訳化学反応モデルを用いた遺伝子パーセプトロンの数学的モデルを構築した。 我々は全接続GRNNサブネットワーク内の各遺伝子パーセプトロンの安定性解析を行い、時間的および安定した濃度出力を決定する。
  論文  参考訳（メタデータ） (2023-09-14T21:37:38Z)
• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• 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)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Permutation-equivariant and Proximity-aware Graph Neural Networks with Stochastic Message Passing [88.30867628592112]
  グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。 置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。 既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。 ノードの近さを保つため,既存のGNNをノード表現で拡張する。
  論文  参考訳（メタデータ） (2020-09-05T16:46:56Z)
• AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
  グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。 半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。 実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
  論文  参考訳（メタデータ） (2020-07-05T08:16:03Z)

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。