論文の概要: E-ABIN: an Explainable module for Anomaly detection in BIological Networks

• arxiv url: http://arxiv.org/abs/2506.20693v1
• Date: Wed, 25 Jun 2025 08:25:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.81849
• Title: E-ABIN: an Explainable module for Anomaly detection in BIological Networks
• Title（参考訳）: E-ABIN:生物ネットワークにおける異常検出のための説明可能なモジュール
• Authors: Ugo Lomoio, Tommaso Mazza, Pierangelo Veltri, Pietro Hiram Guzzi,
• Abstract要約: E-ABINは、生体ネットワークにおける異常検出のための汎用的で説明可能なフレームワークである。 従来の機械学習とグラフベースのディープラーニング技術を組み合わせた、統一されたユーザフレンドリなプラットフォームだ。 膀胱癌とコリアック病の症例研究を通じてE-ABINの有用性を実証した。
• 参考スコア（独自算出の注目度）: 1.7999333451993955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing availability of large-scale omics data calls for robust analytical frameworks capable of handling complex gene expression datasets while offering interpretable results. Recent advances in artificial intelligence have enabled the identification of aberrant molecular patterns distinguishing disease states from healthy controls. Coupled with improvements in model interpretability, these tools now support the identification of genes potentially driving disease phenotypes. However, current approaches to gene anomaly detection often remain limited to single datasets and lack accessible graphical interfaces. Here, we introduce E-ABIN, a general-purpose, explainable framework for Anomaly detection in Biological Networks. E-ABIN combines classical machine learning and graph-based deep learning techniques within a unified, user-friendly platform, enabling the detection and interpretation of anomalies from gene expression or methylation-derived networks. By integrating algorithms such as Support Vector Machines, Random Forests, Graph Autoencoders (GAEs), and Graph Adversarial Attributed Networks (GAANs), E-ABIN ensures a high predictive accuracy while maintaining interpretability. We demonstrate the utility of E-ABIN through case studies of bladder cancer and coeliac disease, where it effectively uncovers biologically relevant anomalies and offers insights into disease mechanisms.
• Abstract（参考訳）: 大規模なオミクスデータの利用が増加し、解釈可能な結果を提供しながら複雑な遺伝子発現データセットを処理できる堅牢な分析フレームワークが求められている。 人工知能の最近の進歩により、病気の状態と健康的なコントロールを区別する異常な分子パターンの同定が可能になった。 モデル解釈性の改善と合わせて、これらのツールは疾患の表現型を誘導する可能性のある遺伝子の同定をサポートするようになった。 しかし、遺伝子異常検出への現在のアプローチは、単一のデータセットに限られており、アクセス可能なグラフィカルインタフェースが欠如していることが多い。 本稿では,生物ネットワークにおける異常検出のための汎用的,説明可能なフレームワークであるE-ABINを紹介する。 E-ABINは、統一されたユーザフレンドリーなプラットフォーム内で、古典的な機械学習とグラフベースのディープラーニング技術を組み合わせて、遺伝子発現やメチル化由来ネットワークからの異常の検出と解釈を可能にする。 Support Vector Machines、Random Forests、Graph Autoencoders (GAEs)、Graph Adversarial Attributed Networks (GAANs)といったアルゴリズムを統合することで、E-ABINは解釈可能性を維持しながら高い予測精度を保証する。 膀胱癌とコリアック病のケーススタディを通じてE-ABINの有用性を実証し, 生物学的に関連のある異常を効果的に発見し, 疾患のメカニズムに関する知見を提供する。

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)
• Adaptive Gated Graph Convolutional Network for Explainable Diagnosis of Alzheimer's Disease using EEG Data [9.601125513491835]
  本稿では,適応ゲートグラフ畳み込みネットワーク(AGGCN)を提案する。 AGGCNは、畳み込みに基づくノード特徴増強と相関に基づくパワースペクトル密度類似度の尺度を組み合わせることで、グラフ構造を適応的に学習する。
  論文  参考訳（メタデータ） (2023-04-12T14:13:09Z)
• Knowledge Graph Completion based on Tensor Decomposition for Disease Gene Prediction [2.838553480267889]
  疾患や遺伝子を中心とした生物学的知識グラフを構築し,疾患発生予測のためのエンドツーエンドの知識グラフ補完モデルを構築した。 KDGeneは、実体の埋め込みとテンソル分解との関係の間の相互作用モジュールを導入し、生物学的知識における情報相互作用を効果的に強化する。
  論文  参考訳（メタデータ） (2023-02-18T13:57:44Z)
• 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)
• ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
  サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。 ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。 実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-11-28T12:17:40Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• 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。