Fugu-MT 論文翻訳(概要): HyboWaveNet: Hyperbolic Graph Neural Networks with Multi-Scale Wavelet Transform for Protein-Protein Interaction Prediction

論文の概要: HyboWaveNet: Hyperbolic Graph Neural Networks with Multi-Scale Wavelet Transform for Protein-Protein Interaction Prediction

arxiv url: http://arxiv.org/abs/2504.20102v1
Date: Sun, 27 Apr 2025 09:20:50 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:54.590056
Title: HyboWaveNet: Hyperbolic Graph Neural Networks with Multi-Scale Wavelet Transform for Protein-Protein Interaction Prediction
Title（参考訳）: HyboWaveNet:タンパク質-タンパク質相互作用予測のためのマルチスケールウェーブレット変換を用いたハイパーボリックグラフニューラルネットワーク
Authors: Qingzhi Yu, Shuai Yan, Wenfeng Dai, Xiang Cheng,
Abstract要約: HyboWaveNetは、双曲型グラフィカルニューラルネットワークとマルチスケールなグラフィックウェーブレット変換と連携する、新しいディープラーニングフレームワークである。我々のフレームワークはロレンツモデルの下でグラフニューラルネットワークを介してノード特徴表現を生成する。我々は,HyboWaveNetが既存の最先端手法よりも優れていることを示す。
参考スコア（独自算出の注目度）: 6.605694231959941
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Protein-protein interactions (PPIs) are fundamental for deciphering cellular functions,disease pathways,and drug discovery.Although existing neural networks and machine learning methods have achieved high accuracy in PPI prediction,their black-box nature leads to a lack of causal interpretation of the prediction results and difficulty in capturing hierarchical geometries and multi-scale dynamic interaction patterns among proteins.To address these challenges, we propose HyboWaveNet,a novel deep learning framework that collaborates with hyperbolic graphical neural networks (HGNNs) and multiscale graphical wavelet transform for robust PPI prediction. Mapping protein features to Lorentz space simulates hierarchical topological relationships among biomolecules via a hyperbolic distance metric,enabling node feature representations that better fit biological a priori.HyboWaveNet inherently simulates hierarchical and scale-free biological relationships, while the integration of wavelet transforms enables adaptive extraction of local and global interaction features across different resolutions. Our framework generates node feature representations via a graph neural network under the Lorenz model and generates pairs of positive samples under multiple different views for comparative learning, followed by further feature extraction via multi-scale graph wavelet transforms to predict potential PPIs. Experiments on public datasets show that HyboWaveNet improves over both existing state-of-the-art methods. We also demonstrate through ablation experimental studies that the multi-scale graph wavelet transform module improves the predictive performance and generalization ability of HyboWaveNet. This work links geometric deep learning and signal processing to advance PPI prediction, providing a principled approach for analyzing complex biological systems
Abstract（参考訳）: タンパク質-タンパク質相互作用 (PPI) は, 細胞機能, 解離経路, 薬物発見の解読に基本的であり, 既存のニューラルネットワークや機械学習手法はPPI予測において高い精度を実現しているが, ブラックボックスの性質は, 予測結果の因果的解釈の欠如と, タンパク質間の階層的ジオメトリと多スケール動的相互作用パターンの取得の難しさを招いている。これらの課題に対処するために, ハイボウェーブネット, ハイボウェーブネット, ハイボウェーブネットを提案する。タンパク質の特徴をローレンツ空間にマッピングすると、双曲距離メートル法により生体分子間の階層的トポロジカルな関係をシミュレートし、生物学的により適合したノードの特徴表現を活性化する。HyboWaveNetは本質的に階層的およびスケールのない生物学的関係をシミュレートする一方、ウェーブレット変換の統合は、異なる解像度で局所的およびグローバルな相互作用特徴を適応的に抽出することを可能にする。本フレームワークは,ロレンツモデルの下でグラフニューラルネットワークを用いてノード特徴表現を生成し,比較学習のために複数の異なるビューの下で正のサンプルペアを生成し,さらにマルチスケールグラフウェーブレット変換による特徴抽出を行い,潜在的なPPIを予測する。公開データセットの実験では、HyboWaveNetは既存の最先端の手法の両方よりも改善されている。また,マルチスケールグラフウェーブレット変換モジュールがHyboWaveNetの予測性能と一般化能力を向上することを示す。この研究は、幾何学的深層学習と信号処理を結びつけてPPI予測を推し進め、複雑な生物学的システムを解析するための原則的アプローチを提供する。

関連論文リスト

Heterogeneous network drug-target interaction prediction model based on graph wavelet transform and multi-level contrastive learning [8.154286666697312]
本研究ではヘテロジニアスネットワークの薬物標的相互作用予測フレームワークを提案する。グラフニューラルネットワークとマルチスケール信号処理技術を統合し、効率的な予測とマルチレベル解釈性の両方でモデルを構築する。実験結果から,本フレームワークは全てのデータセットに対して優れた予測性能を示すことがわかった。
論文参考訳（メタデータ） (2025-04-27T09:29:50Z)
Hybrid Convolutional and Attention Network for Hyperspectral Image Denoising [54.110544509099526]
ハイパースペクトル画像(HSI)は、ハイパースペクトルデータの効果的な解析と解釈に重要である。ハイブリット・コンボリューション・アテンション・ネットワーク(HCANet)を提案する。主流HSIデータセットに対する実験結果は,提案したHCANetの合理性と有効性を示している。
論文参考訳（メタデータ） (2024-03-15T07:18:43Z)
Message-Passing Neural Quantum States for the Homogeneous Electron Gas [41.94295877935867]
連続空間における強相互作用フェルミオンをシミュレートするメッセージパッシング・ニューラルネットワークに基づく波動関数Ansatzを導入する。等質電子ガスの基底状態を3次元でシミュレーションすることにより,その精度を実証する。
論文参考訳（メタデータ） (2023-05-12T04:12:04Z)
Predicting Biomedical Interactions with Probabilistic Model Selection for Graph Neural Networks [5.156812030122437]
現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、そのような相互作用の実験的同定には時間と費用がかかる。ディープグラフニューラルネットワークは、グラフ構造データモデリングの有効性を示し、バイオメディカル相互作用予測において優れた性能を達成した。提案手法により,グラフ畳み込みネットワークは,その深度を動的に適応し,対話数の増加に対応することができる。
論文参考訳（メタデータ） (2022-11-22T20:44:28Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
論文参考訳（メタデータ） (2021-07-21T03:34:09Z)
Probabilistic Graph Attention Network with Conditional Kernels for Pixel-Wise Prediction [158.88345945211185]
本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。構造化されたマルチスケール機能学習と融合。本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
論文参考訳（メタデータ） (2021-01-08T04:14:29Z)
Towards Interaction Detection Using Topological Analysis on Neural Networks [55.74562391439507]
ニューラルネットワークでは、あらゆる相互作用する特徴は共通の隠蔽ユニットとの強い重み付けの接続に従う必要がある。本稿では, 永続的ホモロジーの理論に基づいて, 相互作用強度を定量化するための新しい尺度を提案する。 PID(Persistence Interaction Detection)アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-10-25T02:15:24Z)
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)
GCNs-Net: A Graph Convolutional Neural Network Approach for Decoding Time-resolved EEG Motor Imagery Signals [8.19994663278877]
グラフ畳み込みニューラルネットワーク(GCN)に基づく新しいディープラーニングフレームワークを提案し,生の脳波信号の復号性能を向上させる。導入されたアプローチは、パーソナライズされた予測とグループ的な予測の両方に収束することが示されている。
論文参考訳（メタデータ） (2020-06-16T04:57:12Z)
Improved Protein-ligand Binding Affinity Prediction with Structure-Based Deep Fusion Inference [3.761791311908692]
正確なタンパク質-リガンド結合親和性を予測することは、薬物発見において重要である。深層畳み込みとグラフニューラルネットワークに基づくアプローチの最近の進歩により、モデルの性能は入力データ表現に依存する。結合親和性予測を改善するため、2つのニューラルネットワークモデルの異なる特徴表現の恩恵を受けるための融合モデルを提案する。
論文参考訳（メタデータ） (2020-05-17T22:26:27Z)

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。