論文の概要: MOTGNN: Interpretable Graph Neural Networks for Multi-Omics Disease Classification

• arxiv url: http://arxiv.org/abs/2508.07465v1
• Date: Sun, 10 Aug 2025 19:35:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.867204
• Title: MOTGNN: Interpretable Graph Neural Networks for Multi-Omics Disease Classification
• Title（参考訳）: MOTGNN:多眼疾患分類のための解釈可能なグラフニューラルネットワーク
• Authors: Tiantian Yang, Zhiqian Chen,
• Abstract要約: 本稿では,2次疾患分類のための新規かつ解釈可能なフレームワークである木生成グラフニューラルネット(MOTGNN)とのマルチオミクス統合を提案する。 MOTGNNは、EXtreme Gradient Boosting(XGBoost)を使用して、オミクス固有の教師付きグラフ構築を行い、次いで階層的表現学習のためのモダリティ固有のグラフニューラルネットワーク(GNN)と、クロスオミクス統合のためのディープフィードフォワードネットワークが続く。
• 参考スコア（独自算出の注目度）: 8.939868953031976
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integrating multi-omics data, such as DNA methylation, mRNA expression, and microRNA (miRNA) expression, offers a comprehensive view of the biological mechanisms underlying disease. However, the high dimensionality and complex interactions among omics layers present major challenges for predictive modeling. We propose Multi-Omics integration with Tree-generated Graph Neural Network (MOTGNN), a novel and interpretable framework for binary disease classification. MOTGNN employs eXtreme Gradient Boosting (XGBoost) to perform omics-specific supervised graph construction, followed by modality-specific Graph Neural Networks (GNNs) for hierarchical representation learning, and a deep feedforward network for cross-omics integration. On three real-world disease datasets, MOTGNN outperforms state-of-the-art baselines by 5-10% in accuracy, ROC-AUC, and F1-score, and remains robust to severe class imbalance (e.g., 87.2% vs. 33.4% F1 on imbalanced data). The model maintains computational efficiency through sparse graphs (2.1-2.8 edges per node) and provides built-in interpretability, revealing both top-ranked biomarkers and the relative contributions of each omics modality. These results highlight MOTGNN's potential to improve both predictive accuracy and interpretability in multi-omics disease modeling.
• Abstract（参考訳）: DNAメチル化、mRNA発現、microRNA(miRNA)発現などのマルチオミクスデータを統合することで、疾患の根底にある生物学的メカニズムを包括的に把握することができる。 しかし、オミクス層間の高次元および複雑な相互作用は、予測モデリングの大きな課題を提示する。 本稿では,2次疾患分類のための新規かつ解釈可能なフレームワークである木生成グラフニューラルネット(MOTGNN)とのマルチオミクス統合を提案する。 MOTGNNは、EXtreme Gradient Boosting(XGBoost)を使用して、オミクス固有の教師付きグラフ構築を行い、次いで階層的表現学習のためのモダリティ固有のグラフニューラルネットワーク(GNN)と、クロスオミクス統合のためのディープフィードフォワードネットワークが続く。 3つの現実世界の疾患データセットにおいて、MOTGNNは最先端のベースラインを5-10%精度、ROC-AUC、F1スコアで上回り、厳密なクラス不均衡(例えば、不均衡なデータでは87.2%対33.4%のF1)に対して頑健である。 このモデルはスパースグラフ(ノードあたり2.1-2.8エッジ)を通して計算効率を保ち、上位ランクのバイオマーカーと各オミクスの相対的な寄与の両方を明らかにする。 これらの結果は,MOTGNNがマルチオミクス病モデルにおける予測精度と解釈可能性の両方を改善する可能性を浮き彫りにした。

関連論文リスト

• Geometric Multi-color Message Passing Graph Neural Networks for Blood-brain Barrier Permeability Prediction [1.488392495573075]
  本稿では,幾何学的多色メッセージパッシンググラフニューラルネットワーク(GMC-MPNN)を提案する。 本モデルは,血液脳関門透過性を規定する空間的関係と化学的文脈を捉えるために,原子タイプに基づく重み付きカラーサブグラフを構築した。
  論文  参考訳（メタデータ） (2025-07-25T03:38:46Z)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [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)
• Information Bottleneck-Guided Heterogeneous Graph Learning for Interpretable Neurodevelopmental Disorder Diagnosis [6.351889311288302]
  I2B-HGNN(Interpretable Information Bottleneck Heterogeneous Graph Neural Network)を提案する。 I2B-HGNNは、インフォメーションボトルネックの原則を適用して、脳のコネクティビティモデリングとクロスモーダル機能統合の両方を導く。 I2B-HGNNはNDDの診断において優れた性能を示し,高い分類精度と解釈可能なバイオマーカーの同定能力を示した。
  論文  参考訳（メタデータ） (2025-02-28T06:41:55Z)
• GraphSeqLM: A Unified Graph Language Framework for Omic Graph Learning [20.906136206438102]
  Graph Neural Networks (GNN)は、大規模シグナル伝達経路とタンパク質-タンパク質相互作用ネットワークを解析するための堅牢なフレームワークを提供する。 生物シークエンスを組み込んだGNNを強化するフレームワークであるグラフシーケンス言語モデル(GraphSeqLM)を提案する。
  論文  参考訳（メタデータ） (2024-12-20T11:05:26Z)
• 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)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• 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)
• 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)
• ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
  本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。 複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-10-15T07:18:57Z)
• Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
  マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。 我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
  論文  参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。