論文の概要: Biological Pathway Informed Models with Graph Attention Networks (GATs)

• arxiv url: http://arxiv.org/abs/2509.00524v1
• Date: Sat, 30 Aug 2025 15:14:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.268121
• Title: Biological Pathway Informed Models with Graph Attention Networks (GATs)
• Title（参考訳）: グラフ注意ネットワーク(GAT)を用いた生体経路インフォームドモデル
• Authors: Gavin Wong, Ping Shu Ho, Ivan Au Yeung, Ka Chun Cheung, Simon See,
• Abstract要約: 生物学的経路は、すべてのヒトのプロセスを管理する遺伝子と遺伝子間の相互作用をマッピングする。 ほとんどのMLモデルは、既知の経路構造を捨て、非構造トークンとして遺伝子を扱う。 遺伝子レベルで経路をモデル化するグラフ注意ネットワーク(GAT)を提案する。
• 参考スコア（独自算出の注目度）: 25.189604321546952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological pathways map gene-gene interactions that govern all human processes. Despite their importance, most ML models treat genes as unstructured tokens, discarding known pathway structure. The latest pathway-informed models capture pathway-pathway interactions, but still treat each pathway as a "bag of genes" via MLPs, discarding its topology and gene-gene interactions. We propose a Graph Attention Network (GAT) framework that models pathways at the gene level. We show that GATs generalize much better than MLPs, achieving an 81% reduction in MSE when predicting pathway dynamics under unseen treatment conditions. We further validate the correctness of our biological prior by encoding drug mechanisms via edge interventions, boosting model robustness. Finally, we show that our GAT model is able to correctly rediscover all five gene-gene interactions in the canonical TP53-MDM2-MDM4 feedback loop from raw time-series mRNA data, demonstrating potential to generate novel biological hypotheses directly from experimental data.
• Abstract（参考訳）: 生物学的経路は、すべてのヒトのプロセスを管理する遺伝子と遺伝子間の相互作用をマッピングする。 その重要性にもかかわらず、ほとんどのMLモデルは遺伝子を非構造トークンとして扱い、既知の経路構造を破棄する。 最新の経路インフォームドモデルは経路と経路の相互作用を捉えているが、それでもそれぞれの経路をMLPを通して「遺伝子の袋」として扱い、そのトポロジと遺伝子-遺伝子相互作用を捨てている。 遺伝子レベルで経路をモデル化するグラフ注意ネットワーク(GAT)フレームワークを提案する。 GAT は MLP よりもはるかに一般化し, 未確認処理条件下での経路ダイナミクスの予測において, MSE の 81% 削減を実現している。 さらに, 薬物機構をエッジ介入により符号化し, モデルロバスト性を高めることにより, 生物学的先行性の妥当性を検証した。 最後に,GATモデルを用いて,標準TP53-MDM2-MDM4フィードバックループにおける5つの遺伝子間相互作用を生の時系列mRNAデータから正しく再発見し,実験データから直接新しい生物学的仮説を生成する可能性を示す。

関連論文リスト

• Biological Pathway Guided Gene Selection Through Collaborative Reinforcement Learning [25.2831953927341]
  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。
  論文  参考訳（メタデータ） (2025-05-30T03:01:07Z)
• GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype [51.58774936662233]
  遺伝子制御ネットワーク(GRN)の構築は、遺伝的摂動の影響を理解し予測するために不可欠である。 本研究では,事前学習した大規模言語モデルとDNAシークエンスモデルを用いて,遺伝子記述やDNAシークエンスデータから特徴を抽出する。 我々は、遺伝子摂動において初めて遺伝子バイオタイプ情報を導入し、細胞プロセスの制御において異なるバイオタイプを持つ遺伝子の異なる役割をシミュレートした。
  論文  参考訳（メタデータ） (2025-05-06T03:35:24Z)
• BioMaze: Benchmarking and Enhancing Large Language Models for Biological Pathway Reasoning [49.487327661584686]
  実際の研究から5.1Kの複雑な経路問題を持つデータセットであるBioMazeを紹介する。 CoT法やグラフ拡張推論法などの手法の評価は,LLMが経路推論に苦慮していることを示している。 そこで本稿では,インタラクティブなサブグラフベースのナビゲーションにより推論を強化するLLMエージェントであるPathSeekerを提案する。
  論文  参考訳（メタデータ） (2025-02-23T17:38:10Z)
• Biological Factor Regulatory Neural Network [22.561838105271853]
  BFReg-NN(Bological Factor Regulatory Neural Network)は、細胞系の生物学的因子間の関係をモデル化するための一般的なフレームワークである。 BFReg-NNは遺伝子発現データから始まり、既存のほとんどの生物学的知識をモデルにマージすることができる。 今回のケーススタディでは,BFReg-NNが発見した重要な知見が生物学的文献と一致していることが示されている。
  論文  参考訳（メタデータ） (2023-04-11T04:57:02Z)
• 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)
• Identification of feasible pathway information for c-di-GMP binding proteins in cellulose production [0.3149883354098941]
  我々は機械学習を用いてc-di-GMPシグナル伝達タンパク質の重要な経路を同定する。 このデータセットは、12の経路と1024の細菌ゲノムに対する5つの必須c-di-GMP結合ドメインからの遺伝子数を含んでいる。
  論文  参考訳（メタデータ） (2022-04-26T18:22:13Z)
• PANTHER: Pathway Augmented Nonnegative Tensor factorization for HighER-order feature learning [7.7415390727490445]
  Augmented Pathway Non negative factorization for HighER-order Feature Learning (PANTHER) を紹介する。 PANTHERは分子機構を直接コードする遺伝子経路を選択する。 特定経路群を用いて,病型別ソフトマックス分類器を訓練する。
  論文  参考訳（メタデータ） (2020-12-15T19:39:55Z)
• EPGAT: Gene Essentiality Prediction With Graph Attention Networks [1.1602089225841632]
  グラフ注意ネットワーク(GAT)に基づく本質性予測手法であるEPGATを提案する。 本モデルでは,PPIネットワークから遺伝子必須性のパターンを直接学習し,ノード属性として符号化されたマルチオミクスデータから追加のエビデンスを統合する。 ヒトを含む4種の生物に対するEPGATをベンチマークし、AUCスコア0.78から0.97の範囲で遺伝子本質を正確に予測した。
  論文  参考訳（メタデータ） (2020-07-19T13:47:15Z)

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。