論文の概要: Graph Neural Networks in Multi-Omics Cancer Research: A Structured Survey

• arxiv url: http://arxiv.org/abs/2506.17234v1
• Date: Tue, 03 Jun 2025 07:28:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.810062
• Title: Graph Neural Networks in Multi-Omics Cancer Research: A Structured Survey
• Title（参考訳）: 多発癌研究におけるグラフニューラルネットワーク : 構造化されたサーベイ
• Authors: Payam Zohari, Mostafa Haghir Chehreghani,
• Abstract要約: マルチオミクスデータのためのデータ統合は、がんの生物学的基盤を解明するための強力な戦略として現れてきた。 グラフニューラルネットワーク(GNN)の最近の進歩は、異種および構造化オミクスデータをモデル化するための効果的なフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 1.0128808054306186
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The task of data integration for multi-omics data has emerged as a powerful strategy to unravel the complex biological underpinnings of cancer. Recent advancements in graph neural networks (GNNs) offer an effective framework to model heterogeneous and structured omics data, enabling precise representation of molecular interactions and regulatory networks. This systematic review explores several recent studies that leverage GNN-based architectures in multi-omics cancer research. We classify the approaches based on their targeted omics layers, graph neural network structures, and biological tasks such as subtype classification, prognosis prediction, and biomarker discovery. The analysis reveals a growing trend toward hybrid and interpretable models, alongside increasing adoption of attention mechanisms and contrastive learning. Furthermore, we highlight the use of patient-specific graphs and knowledge-driven priors as emerging directions. This survey serves as a comprehensive resource for researchers aiming to design effective GNN-based pipelines for integrative cancer analysis, offering insights into current practices, limitations, and potential future directions.
• Abstract（参考訳）: マルチオミクスデータのためのデータ統合の課題は、がんの複雑な生物学的基盤を解明するための強力な戦略として現れてきた。 グラフニューラルネットワーク(GNN)の最近の進歩は、異種および構造化オミクスデータをモデル化するための効果的なフレームワークを提供し、分子間相互作用と規制ネットワークの正確な表現を可能にする。 この体系的なレビューは、GNNベースのアーキテクチャをマルチオミクスがん研究に活用する最近のいくつかの研究を探求する。 対象とするオミクス層、グラフニューラルネットワーク構造、サブタイプ分類、予後予測、バイオマーカー発見などの生物学的タスクに基づいて、アプローチを分類する。 この分析は、注意機構の導入と対照的な学習の増加とともに、ハイブリッドモデルと解釈可能なモデルへの傾向が増していることを示している。 さらに,患者固有のグラフと知識駆動の先行情報を新たな方向性として活用することを強調した。 この調査は、統合的がん分析のための効果的なGNNベースのパイプラインを設計することを目的とした、研究者のための総合的なリソースとして機能し、現在のプラクティス、制限、将来的な方向性に関する洞察を提供する。

関連論文リスト

• Generative Models in Computational Pathology: A Comprehensive Survey on Methods, Applications, and Challenges [44.77761945679817]
  生成モデリングは、計算病理学において有望な方向として現れてきた。 生成モデルは、データ効率の学習、合成データ拡張、マルチモーダル表現などの機能を提供する。 このレビューは、この分野における最近の進歩の総合的な合成を提供する。
  論文  参考訳（メタデータ） (2025-05-16T08:44:50Z)
• Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification, An Interpretable Multi-Omics Approach [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• Comparative Analysis of Multi-Omics Integration Using Advanced Graph Neural Networks for Cancer Classification [40.45049709820343]
  マルチオミクスデータ統合は、高次元性、データ複雑さ、および様々なオミクスタイプの異なる特徴により、大きな課題を生じさせる。 本研究では、グラフ畳み込みネットワーク(GCN)、グラフアテンションネットワーク(GAT)、グラフトランスフォーマーネットワーク(GTN)に基づくマルチオミクス(MO)統合のための3つのグラフニューラルネットワークアーキテクチャを評価する。
  論文  参考訳（メタデータ） (2024-10-05T16:17:44Z)
• Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
  そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。 PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。 腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
  論文  参考訳（メタデータ） (2024-04-11T09:07:40Z)
• IGCN: Integrative Graph Convolution Networks for patient level insights and biomarker discovery in multi-omics integration [2.0971479389679337]
  本稿では,癌分子サブタイプとバイオメディカル分類のための新しい統合ニューラルネットワークアプローチを提案する。 IGCNは、特定のクラスを予測するために患者に対してどのタイプのオミクスがより強調されるかを特定することができる。 IGCNは、様々なオミクスデータタイプから重要なバイオマーカーを特定できる。
  論文  参考訳（メタデータ） (2024-01-31T05:52:11Z)
• Cyclic Neural Network [46.05071312173701]
  サイクリックニューラルネットワーク(Cyclic NN)について紹介する。 生体神経系のフレキシブルでダイナミックなグラフの性質をエミュレートし、サイクルを含むあらゆるグラフ構造におけるニューロン接続を可能にする。 この新設計パラダイムに基づく最初の詳細なモデルであるグラフオーバー多層パーセプトロンを開発した。
  論文  参考訳（メタデータ） (2024-01-11T07:31:53Z)
• 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)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。