論文の概要: TF-DWGNet: A Directed Weighted Graph Neural Network with Tensor Fusion for Multi-Omics Cancer Subtype Classification

• arxiv url: http://arxiv.org/abs/2509.16301v1
• Date: Fri, 19 Sep 2025 17:52:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.731775
• Title: TF-DWGNet: A Directed Weighted Graph Neural Network with Tensor Fusion for Multi-Omics Cancer Subtype Classification
• Title（参考訳）: TF-DWGNet:多臓器癌サブタイプ分類のためのテンソルフュージョンを用いた直接重み付きグラフニューラルネットワーク
• Authors: Tiantian Yang, Zhiqian Chen,
• Abstract要約: マルチオミクスの統合と解析のためのグラフニューラルネットワークフレームワークTF-DWGNetを提案する。 ツリーベースのDirected Weightedグラフ構築と、マルチクラスがんサブタイプ分類のためのテンソルフュージョンを組み合わせる。 実験により、TF-DWGNetは複数のメトリクスと統計テストで一貫して最先端のベースラインを上回っていることが示された。
• 参考スコア（独自算出の注目度）: 7.924798643791988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integration and analysis of multi-omics data provide valuable insights for cancer subtype classification. However, such data are inherently heterogeneous, high-dimensional, and exhibit complex intra- and inter-modality dependencies. Recent advances in graph neural networks (GNNs) offer powerful tools for modeling such structure. Yet, most existing methods rely on prior knowledge or predefined similarity networks to construct graphs, which are often undirected or unweighted, failing to capture the directionality and strength of biological interactions. Interpretability at both the modality and feature levels also remains limited. To address these challenges, we propose TF-DWGNet, a novel Graph Neural Network framework that combines tree-based Directed Weighted graph construction with Tensor Fusion for multiclass cancer subtype classification. TF-DWGNet introduces two key innovations: a supervised tree-based approach for constructing directed, weighted graphs tailored to each omics modality, and a tensor fusion mechanism that captures unimodal, bimodal, and trimodal interactions using low-rank decomposition for efficiency. TF-DWGNet enables modality-specific representation learning, joint embedding fusion, and interpretable subtype prediction. Experiments on real-world cancer datasets show that TF-DWGNet consistently outperforms state-of-the-art baselines across multiple metrics and statistical tests. Moreover, it provides biologically meaningful insights by ranking influential features and modalities. These results highlight TF-DWGNet's potential for effective and interpretable multi-omics integration in cancer research.
• Abstract（参考訳）: マルチオミクスデータの統合と解析は、癌サブタイプ分類に有用な洞察を提供する。 しかし、そのようなデータは本質的に異質であり、高次元であり、複雑なモード内およびモード間依存関係を示す。 グラフニューラルネットワーク(GNN)の最近の進歩は、そのような構造をモデル化するための強力なツールを提供する。 しかし、既存のほとんどの手法は、しばしば無向性や無重み付けであり、生物学的相互作用の方向性や強さを捉えていないグラフを構築するために、事前の知識や事前定義された類似性ネットワークに依存している。 モダリティと特徴レベルの双方の解釈性も制限されている。 これらの課題に対処するため、我々は、ツリーベース指向重みグラフ構築とTensor Fusionを組み合わせた、マルチクラスがんサブタイプ分類のための新しいグラフニューラルネットワークフレームワークTF-DWGNetを提案する。 TF-DWGNetは、各オミクスに合わせた有向重み付きグラフを構築するための教師付きツリーベースのアプローチと、低ランク分解を用いた単調、双モーダル、三モーダルの相互作用を効率よく捉えるテンソル融合機構である。 TF-DWGNetは、モダリティ固有の表現学習、ジョイント埋め込み融合、解釈可能なサブタイプ予測を可能にする。 実世界のがんデータセットの実験では、TF-DWGNetは複数のメトリクスと統計テストで一貫して最先端のベースラインを上回っている。 さらに、影響力のある特徴やモダリティをランク付けすることで生物学的に意味のある洞察を提供する。 これらの結果は、癌研究におけるTF-DWGNetの効果的かつ解釈可能なマルチオミクス統合の可能性を強調している。

関連論文リスト

• Multi-Level Fusion Graph Neural Network for Molecule Property Prediction [8.629821238312621]
  グラフアテンションネットワークと新しいグラフ変換器を統合したマルチレベルフュージョングラフニューラルネットワーク(MLFGNN)を提案する。 複数のベンチマークデータセットの実験により、MLFGNNは、分類タスクと回帰タスクの両方において、最先端のメソッドを一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2025-07-04T09:38:19Z)
• Tensor Convolutional Network for Higher-Order Interaction Prediction in Sparse Tensors [74.31355755781343]
  我々は,トップk相互作用を予測するTF法とシームレスに統合する,正確で互換性のあるテンソル畳み込みネットワークTCNを提案する。 TF法と統合されたTNは,TF法やハイパーエッジ予測法などの競合よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-14T18:22:20Z)
• 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)
• 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)
• MGNNI: Multiscale Graph Neural Networks with Implicit Layers [53.75421430520501]
  暗黙グラフニューラルネットワーク(GNN)は、基礎となるグラフの長距離依存性をキャプチャするために提案されている。 暗黙的GNNの2つの弱点は、長距離依存を捉えるための限られた有効範囲による制約付き表現性と、複数の解像度でグラフ上のマルチスケール情報をキャプチャする能力の欠如である。 グラフ上のマルチスケール構造をモデル化できる暗黙の層(MGNNI)を持つマルチスケールグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-15T18:18:55Z)
• 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)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Ensemble manifold based regularized multi-modal graph convolutional network for cognitive ability prediction [33.03449099154264]
  マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。 本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。 我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
  論文  参考訳（メタデータ） (2021-01-20T20:53:07Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)

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。