論文の概要: Sparsity is All You Need: Rethinking Biological Pathway-Informed Approaches in Deep Learning

• arxiv url: http://arxiv.org/abs/2505.04300v1
• Date: Wed, 07 May 2025 10:14:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:36.037202
• Title: Sparsity is All You Need: Rethinking Biological Pathway-Informed Approaches in Deep Learning
• Title（参考訳）: 深層学習における生物学的パスインフォームドアプローチの再考
• Authors: Isabella Caranzano, Corrado Pancotti, Cesare Rollo, Flavio Sartori, Pietro Liò, Piero Fariselli, Tiziana Sanavia,
• Abstract要約: 生物学的にインフォームドされたニューラルネットワークは一般的に、生体医学的応用の性能を高めるために経路アノテーションを利用する。 予測タスクのための経路ベースニューラルネットワークモデルを網羅的に分析した。 以上の結果から,経路アノテーションはノイズが多すぎるか,あるいは現在の方法では不十分である可能性が示唆された。
• 参考スコア（独自算出の注目度）: 12.24146000012622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biologically-informed neural networks typically leverage pathway annotations to enhance performance in biomedical applications. We hypothesized that the benefits of pathway integration does not arise from its biological relevance, but rather from the sparsity it introduces. We conducted a comprehensive analysis of all relevant pathway-based neural network models for predictive tasks, critically evaluating each study's contributions. From this review, we curated a subset of methods for which the source code was publicly available. The comparison of the biologically informed state-of-the-art deep learning models and their randomized counterparts showed that models based on randomized information performed equally well as biologically informed ones across different metrics and datasets. Notably, in 3 out of the 15 analyzed models, the randomized versions even outperformed their biologically informed counterparts. Moreover, pathway-informed models did not show any clear advantage in interpretability, as randomized models were still able to identify relevant disease biomarkers despite lacking explicit pathway information. Our findings suggest that pathway annotations may be too noisy or inadequately explored by current methods. Therefore, we propose a methodology that can be applied to different domains and can serve as a robust benchmark for systematically comparing novel pathway-informed models against their randomized counterparts. This approach enables researchers to rigorously determine whether observed performance improvements can be attributed to biological insights.
• Abstract（参考訳）: 生物学的にインフォームドされたニューラルネットワークは一般的に、生体医学的応用の性能を高めるために経路アノテーションを利用する。 経路積分の利点は生物学的な関連性から生じるものではなく、導入する空間から生じるものであるという仮説を立てた。 我々は,各研究の貢献度を定量的に評価し,関連するすべての経路ベースニューラルネットワークモデルの予測タスクに関する包括的分析を行った。 このレビューから、ソースコードが公開されているメソッドのサブセットをキュレートした。 生物学的にインフォームドされた最先端のディープラーニングモデルと、それらのランダム化された学習モデルの比較により、ランダム化された情報に基づくモデルは、異なるメトリクスやデータセットにわたる生物学的にインフォームドされたモデルと同等に実行されることが示された。 特に15のモデルのうち3つでは、ランダム化されたバージョンは生物学的に情報を得たモデルよりも優れています。 さらに、経路情報に欠けるにもかかわらず、無作為化モデルは関連疾患のバイオマーカーを同定することができたため、経路インフォームドモデルは解釈可能性に明確な優位性を示しなかった。 以上の結果から,経路アノテーションはノイズが多すぎるか,あるいは現在の方法では不十分である可能性が示唆された。 そこで本研究では,異なる領域に適用可能な手法を提案し,新しい経路情報モデルとランダム化モデルとを体系的に比較するための頑健なベンチマークとして機能する。 このアプローチは、観察されたパフォーマンス改善が生物学的洞察に起因しているかどうかを、研究者が厳格に判断することを可能にする。

関連論文リスト

• BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
  実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。 CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。 そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
  論文  参考訳（メタデータ） (2025-02-23T17:38:10Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Finding Interpretable Class-Specific Patterns through Efficient Neural Search [43.454121220860564]
  本稿では、データから微分パターンを抽出する、本質的に解釈可能なバイナリニューラルネットワークアーキテクチャDNAPSを提案する。 DiffNapsは何十万もの機能にスケーラブルで、ノイズに強い。 3つの生物学的応用を含む人工的および実世界のデータについて、DiffNapsは競合と異なり、常に正確で簡潔で解釈可能なクラス記述を生成する。
  論文  参考訳（メタデータ） (2023-12-07T14:09:18Z)
• Conditionally Invariant Representation Learning for Disentangling Cellular Heterogeneity [25.488181126364186]
  本稿では,不必要な変数や乱れに条件付き不変な表現を学習するために,ドメインの可変性を活用する新しい手法を提案する。 単細胞ゲノム学におけるデータ統合など,生物の課題に対して本手法を適用した。 具体的には、提案手法は、対象のタスクと無関係なデータバイアスや興味の因果的説明から生物学的信号を解き放つのに役立つ。
  論文  参考訳（メタデータ） (2023-07-02T12:52:41Z)
• Incorporating Prior Knowledge in Deep Learning Models via Pathway Activity Autoencoders [5.950889585409067]
  本稿では,癌におけるRNA-seqデータのための,事前知識に基づく新しいディープオートエンコーディングフレームワークPAAEを提案する。 機能セットが小さいにもかかわらず,PAAEモデルとPAAEモデルでは,一般的な手法と比較して,アウト・オブ・セットの再現性が向上していることを示す。
  論文  参考訳（メタデータ） (2023-06-09T11:12:55Z)
• Graph algorithms for predicting subcellular localization at the pathway level [1.370633147306388]
  生物経路における全ての相互作用の局所化をエッジラベルタスクとして予測するグラフアルゴリズムを開発した。 また, ウイルス感染によるヒト線維芽細胞の局在を予測し, 生物学的経路を構築するケーススタディも実施した。
  論文  参考訳（メタデータ） (2022-12-12T15:49:43Z)

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。