論文の概要: Biological Pathway Guided Gene Selection Through Collaborative Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2505.24155v1
• Date: Fri, 30 May 2025 03:01:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.738352
• Title: Biological Pathway Guided Gene Selection Through Collaborative Reinforcement Learning
• Title（参考訳）: 協調強化学習による生物学的経路案内遺伝子選択
• Authors: Ehtesamul Azim, Dongjie Wang, Tae Hyun Hwang, Yanjie Fu, Wei Zhang,
• Abstract要約: 多エージェント強化学習(MARL)を用いた統計的選択と生物学的経路知識を統合する新しい枠組みを提案する。 本フレームワークは,グラフニューラルネットワークによる状態表現による経路知識,遺伝子中心性と経路被覆性を組み合わせた報酬機構,共有メモリと集中的批判コンポーネントを用いた協調学習戦略を取り入れた。
• 参考スコア（独自算出の注目度）: 25.2831953927341
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gene selection in high-dimensional genomic data is essential for understanding disease mechanisms and improving therapeutic outcomes. Traditional feature selection methods effectively identify predictive genes but often ignore complex biological pathways and regulatory networks, leading to unstable and biologically irrelevant signatures. Prior approaches, such as Lasso-based methods and statistical filtering, either focus solely on individual gene-outcome associations or fail to capture pathway-level interactions, presenting a key challenge: how to integrate biological pathway knowledge while maintaining statistical rigor in gene selection? To address this gap, we propose a novel two-stage framework that integrates statistical selection with biological pathway knowledge using multi-agent reinforcement learning (MARL). First, we introduce a pathway-guided pre-filtering strategy that leverages multiple statistical methods alongside KEGG pathway information for initial dimensionality reduction. Next, for refined selection, we model genes as collaborative agents in a MARL framework, where each agent optimizes both predictive power and biological relevance. Our framework incorporates pathway knowledge through Graph Neural Network-based state representations, a reward mechanism combining prediction performance with gene centrality and pathway coverage, and collaborative learning strategies using shared memory and a centralized critic component. Extensive experiments on multiple gene expression datasets demonstrate that our approach significantly improves both prediction accuracy and biological interpretability compared to traditional methods.
• Abstract（参考訳）: 高次元ゲノムデータの遺伝子選択は、疾患のメカニズムを理解し、治療結果を改善するために不可欠である。 伝統的特徴選択法は予測遺伝子を効果的に同定するが、しばしば複雑な生物学的経路や規制網を無視し、不安定で生物学的に無関係なシグネチャを生み出す。 Lassoベースの手法や統計的フィルタリングのような以前のアプローチでは、個々の遺伝子アウトカム関連にのみ焦点をあてるか、経路レベルの相互作用を捉えないか、重要な課題として、遺伝子選択における統計的厳密性を維持しながら生物学的経路の知識を統合する方法を提示している。 このギャップに対処するために,マルチエージェント強化学習(MARL)を用いて,統計的選択と生物学的経路知識を統合する新しい2段階フレームワークを提案する。 まず,KEGG経路情報と並行して複数の統計手法を利用する経路誘導型事前フィルタリング手法を導入する。 次に,遺伝子をMARLフレームワークの協調的エージェントとしてモデル化し,各エージェントが予測力と生物学的関連性の両方を最適化する。 本フレームワークは,グラフニューラルネットワークによる状態表現による経路知識,遺伝子中心性と経路被覆性を組み合わせた報酬機構,共有メモリと集中的批判コンポーネントを用いた協調学習戦略を取り入れた。 複数の遺伝子発現データセットに対する大規模な実験により,従来の手法と比較して予測精度と生物学的解釈性の両方が著しく向上することが示された。

関連論文リスト

• Comprehensive Metapath-based Heterogeneous Graph Transformer for Gene-Disease Association Prediction [19.803593399456823]
  Metapath-based heterogeneous graph Transformer (COMET) を用いた遺伝子解析 本手法は, 最先端手法と比較して, 優れたロバスト性を示す。
  論文  参考訳（メタデータ） (2025-01-14T09:41:18Z)
• Knowledge-Guided Biomarker Identification for Label-Free Single-Cell RNA-Seq Data: A Reinforcement Learning Perspective [24.247247851943982]
  本稿では、既存の遺伝子選択アルゴリズムからのアンサンブル知識を利用して、予備的境界や事前知識を確立する反復的な遺伝子パネル選択戦略を提案する。 我々は、専門家の行動によって形成される報酬関数を通じて強化学習を取り入れ、動的洗練と遺伝子パネルの標的選択を可能にした。 本研究は, 単細胞ゲノムデータ解析における本手法の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-01-02T07:57:41Z)
• Gene-Metabolite Association Prediction with Interactive Knowledge Transfer Enhanced Graph for Metabolite Production [49.814615043389864]
  メタボリックグラフに基づく遺伝子メタボリック・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション 2474の代謝産物と1947年の2つの一般的な微生物の遺伝子を含む最初のベンチマークを提示する。 提案手法は,各種リンク予測フレームワークのベースラインを最大12.3%向上させる。
  論文  参考訳（メタデータ） (2024-10-24T06:54:27Z)
• Enhanced Gene Selection in Single-Cell Genomics: Pre-Filtering Synergy and Reinforced Optimization [16.491060073775884]
  単一セルゲノミクスにおけるクラスタリングタスクに適用可能な反復的遺伝子パネル選択戦略を提案する。 本手法は、他の遺伝子選択アルゴリズムの結果を統合し、重要な予備的境界を提供する。 強化学習(RL)における探索プロセスの性質と,その連続最適化能力を取り入れた。
  論文  参考訳（メタデータ） (2024-06-11T16:21:33Z)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• Advancing Gene Selection in Oncology: A Fusion of Deep Learning and Sparsity for Precision Gene Selection [4.093503153499691]
  本稿では,深層学習に基づく生存予測モデルのための2つの遺伝子選択手法を提案する。 第1の戦略はスパース性誘導法を使用し、第2の戦略は重要性に基づく遺伝子選択を用いて関連遺伝子を同定する。
  論文  参考訳（メタデータ） (2024-03-04T10:44:57Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Data-Driven Logistic Regression Ensembles With Applications in Genomics [0.0]
  本稿では,正規化とアンサンブルのアイデアを組み合わせた高次元二項分類問題に対する新しいアプローチを提案する。 がん,多発性硬化症,乾皮症などの共通疾患を含むいくつかの医学的データセットを用いて,バイオマーカーの予測精度と同定の点で,本手法の優れた性能を実証した。
  論文  参考訳（メタデータ） (2021-02-17T05:57:26Z)

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。