論文の概要: BioNeuralNet: A Graph Neural Network based Multi-Omics Network Data Analysis Tool
- arxiv url: http://arxiv.org/abs/2507.20440v1
- Date: Sun, 27 Jul 2025 23:21:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-29 16:23:57.678988
- Title: BioNeuralNet: A Graph Neural Network based Multi-Omics Network Data Analysis Tool
- Title（参考訳）: BioNeuralNet: グラフニューラルネットワークに基づくマルチオミクスネットワークデータ分析ツール
- Authors: Vicente Ramos, Sundous Hussein, Mohamed Abdel-Hafiz, Arunangshu Sarkar, Weixuan Liu, Katerina J. Kechris, Russell P. Bowler, Leslie Lange, Farnoush Banaei-Kashani,
- Abstract要約: BioNeuralNetは、エンドツーエンドのネットワークベースのマルチオミクスデータ分析用に設計されたPythonフレームワークである。
複数のネットワーク構築技術、低次元表現の生成、幅広い下流分析タスクを含む、マルチオミクスネットワーク分析のすべての主要な段階をサポートする。
BioNeuralNetは、オープンソースの、ユーザフレンドリで、広範囲にドキュメント化されたフレームワークで、精密医療における柔軟で再現可能なマルチオミクスネットワーク分析をサポートするように設計されている。
- 参考スコア（独自算出の注目度）: 0.9674145073701151
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Multi-omics data offer unprecedented insights into complex biological systems, yet their high dimensionality, sparsity, and intricate interactions pose significant analytical challenges. Network-based approaches have advanced multi-omics research by effectively capturing biologically relevant relationships among molecular entities. While these methods are powerful for representing molecular interactions, there remains a need for tools specifically designed to effectively utilize these network representations across diverse downstream analyses. To fulfill this need, we introduce BioNeuralNet, a flexible and modular Python framework tailored for end-to-end network-based multi-omics data analysis. BioNeuralNet leverages Graph Neural Networks (GNNs) to learn biologically meaningful low-dimensional representations from multi-omics networks, converting these complex molecular networks into versatile embeddings. BioNeuralNet supports all major stages of multi-omics network analysis, including several network construction techniques, generation of low-dimensional representations, and a broad range of downstream analytical tasks. Its extensive utilities, including diverse GNN architectures, and compatibility with established Python packages (e.g., scikit-learn, PyTorch, NetworkX), enhance usability and facilitate quick adoption. BioNeuralNet is an open-source, user-friendly, and extensively documented framework designed to support flexible and reproducible multi-omics network analysis in precision medicine.
- Abstract（参考訳）: マルチオミクスのデータは複雑な生物学的システムに関する前例のない洞察を提供するが、その高次元性、空間性、複雑な相互作用は重要な分析上の課題をもたらす。
ネットワークベースのアプローチは、分子実体間の生物学的関係を効果的に捉えることによって、高度なマルチオミクス研究を行っている。
これらの手法は分子間相互作用を表現するのに強力だが、様々な下流分析にまたがってこれらのネットワーク表現を効果的に活用するように設計されたツールが依然として必要である。
このニーズを満たすために、エンドツーエンドのネットワークベースのマルチオミクスデータ分析に適した、フレキシブルでモジュール化されたPythonフレームワークであるBioNeuralNetを紹介します。
BioNeuralNetは、グラフニューラルネットワーク(GNN)を利用して、マルチオミクスネットワークから生物学的に意味のある低次元表現を学び、これらの複雑な分子ネットワークを汎用的な埋め込みに変換する。
BioNeuralNetは、複数のネットワーク構築技術、低次元表現の生成、幅広い下流分析タスクを含む、マルチオミクスネットワーク分析のすべての主要なステージをサポートしている。
多様なGNNアーキテクチャや、確立したPythonパッケージ(例えば、Scikit-learn、PyTorch、NetworkX)との互換性を含む幅広いユーティリティは、ユーザビリティを高め、迅速な採用を容易にする。
BioNeuralNetは、オープンソースの、ユーザフレンドリで、広範囲にドキュメント化されたフレームワークで、精密医療における柔軟で再現可能なマルチオミクスネットワーク分析をサポートするように設計されている。
関連論文リスト
- Leveraging advances in machine learning for the robust classification and interpretation of networks [0.0]
シミュレーションアプローチでは、Erd"os-R'enyiやSmall-worldのような適切なネットワーク生成モデルを選択する。
我々は、解釈可能な機械学習の進歩を利用して、様々なネットワーク属性に基づいて、生成モデルによってシミュレーションされたネットワークを分類する。
論文 参考訳（メタデータ） (2024-03-20T00:24:23Z) - Riemannian Residual Neural Networks [58.925132597945634]
残余ニューラルネットワーク(ResNet)の拡張方法を示す。
ResNetは、機械学習において、有益な学習特性、優れた経験的結果、そして様々なニューラルネットワークを構築する際に容易に組み込める性質のために、ユビキタスになった。
論文 参考訳（メタデータ） (2023-10-16T02:12:32Z) - DLSIA: Deep Learning for Scientific Image Analysis [45.81637398863868]
DLSIAはPythonベースの機械学習ライブラリで、さまざまな科学的領域にまたがって、さまざまなカスタマイズ可能な畳み込みニューラルネットワーク(CNN)アーキテクチャを持つ科学者や研究者に権限を与える。
DLSIAは、オートエンコーダ、チューニング可能なU-Net、パラメータリーン混合スケールネットワーク(MSDNets)などの使いやすいアーキテクチャを備えている。
論文 参考訳（メタデータ） (2023-08-02T21:32:41Z) - 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) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳（メタデータ） (2022-07-06T10:01:46Z) - Dive into Layers: Neural Network Capacity Bounding using Algebraic
Geometry [55.57953219617467]
ニューラルネットワークの学習性はそのサイズと直接関連していることを示す。
入力データとニューラルネットワークのトポロジ的幾何学的複雑さを測定するためにベッチ数を用いる。
実世界のデータセットMNISTで実験を行い、分析結果と結論を検証した。
論文 参考訳（メタデータ） (2021-09-03T11:45:51Z) - MGN-Net: a multi-view graph normalizer for integrating heterogeneous
biological network populations [0.0]
マルチビューグラフ正規化ネットワーク(MGN-Net)を提案する。
MGN-Netは、複数ビューの生物学的ネットワークの集合を単一接続テンプレートに正規化し、統合するグラフニューラルネットワークベースの手法である。
健常および神経障害のある脳ネットワーク集団の結合指紋を発見し,MGN-Netの使用を実証した。
論文 参考訳（メタデータ） (2021-04-04T05:45:04Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Heterogeneous Graph based Deep Learning for Biomedical Network Link
Prediction [7.628651624423363]
バイオメディカルネットワークリンクを予測するためのグラフペアベースのリンク予測モデル(GPLP)を提案する。
InPでは、既知のネットワーク相互作用行列から抽出された1ホップのサブグラフを学習し、欠落リンクを予測する。
本手法は他のバイオメディカルネットワークにおける潜在的な応用を実証する。
論文 参考訳（メタデータ） (2021-01-28T07:35:29Z) - NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural
Network Synthesis [53.106414896248246]
本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。
このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
論文 参考訳（メタデータ） (2020-09-28T01:48:45Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Modeling Dynamic Heterogeneous Network for Link Prediction using
Hierarchical Attention with Temporal RNN [16.362525151483084]
我々はDyHATRと呼ばれる新しい動的ヘテロジニアスネットワーク埋め込み法を提案する。
階層的な注意を使って異質な情報を学習し、進化パターンを捉えるために時間的注意を伴う繰り返しニューラルネットワークを組み込む。
リンク予測のための4つの実世界のデータセットに対して,本手法をベンチマークした。
論文 参考訳（メタデータ） (2020-04-01T17:16:47Z)
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。