論文の概要: Soft-Evidence Fused Graph Neural Network for Cancer Driver Gene Identification across Multi-View Biological Graphs

• arxiv url: http://arxiv.org/abs/2510.06290v1
• Date: Tue, 07 Oct 2025 05:20:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.101737
• Title: Soft-Evidence Fused Graph Neural Network for Cancer Driver Gene Identification across Multi-View Biological Graphs
• Title（参考訳）: 多視点バイオグラフを用いた癌ドライバ遺伝子同定のためのソフトエビデンス融合グラフニューラルネットワーク
• Authors: Bang Chen, Lijun Guo, Houli Fan, Wentao He, Rong Zhang,
• Abstract要約: 癌ドライバ遺伝子(CDG)の同定は、がんのメカニズムを理解し、標的治療を開発するために不可欠である。 グラフニューラルネットワーク(GNN)は、生体相互作用ネットワークのパターンをキャプチャすることでCDGを識別するために最近採用されている。 決定レベルで複数のネットワークにまたがるCDG識別のための新しいフレームワークであるSEFGNN(Soft-Evidence Fusion Graph Neural Network)を提案する。
• 参考スコア（独自算出の注目度）: 8.230375557003832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying cancer driver genes (CDGs) is essential for understanding cancer mechanisms and developing targeted therapies. Graph neural networks (GNNs) have recently been employed to identify CDGs by capturing patterns in biological interaction networks. However, most GNN-based approaches rely on a single protein-protein interaction (PPI) network, ignoring complementary information from other biological networks. Some studies integrate multiple networks by aligning features with consistency constraints to learn unified gene representations for CDG identification. However, such representation-level fusion often assumes congruent gene relationships across networks, which may overlook network heterogeneity and introduce conflicting information. To address this, we propose Soft-Evidence Fusion Graph Neural Network (SEFGNN), a novel framework for CDG identification across multiple networks at the decision level. Instead of enforcing feature-level consistency, SEFGNN treats each biological network as an independent evidence source and performs uncertainty-aware fusion at the decision level using Dempster-Shafer Theory (DST). To alleviate the risk of overconfidence from DST, we further introduce a Soft Evidence Smoothing (SES) module that improves ranking stability while preserving discriminative performance. Experiments on three cancer datasets show that SEFGNN consistently outperforms state-of-the-art baselines and exhibits strong potential in discovering novel CDGs.
• Abstract（参考訳）: 癌ドライバ遺伝子(CDG)の同定は、がんのメカニズムを理解し、標的治療を開発するために不可欠である。 グラフニューラルネットワーク(GNN)は、生体相互作用ネットワークのパターンをキャプチャすることでCDGを識別するために最近採用されている。 しかし、ほとんどのGNNベースのアプローチは、他の生物学的ネットワークからの補完的な情報を無視し、単一のタンパク質-タンパク質相互作用(PPI)ネットワークに依存している。 いくつかの研究は、CDG識別のための統一された遺伝子表現を学習するために、特徴と一貫性の制約を整合させて複数のネットワークを統合する。 しかし、このような表現レベルの融合はネットワーク間の合同遺伝子関係を前提としており、ネットワークの不均一性を見落とし、矛盾する情報を導入する可能性がある。 そこで本研究では,複数のネットワークにまたがるCDG識別のための新しいフレームワークであるSEFGNN(Soft-Evidence Fusion Graph Neural Network)を提案する。 特徴レベルの一貫性を強制する代わりに、SEFGNNは各生物学的ネットワークを独立した証拠源として扱い、Dempster-Shafer Theory (DST)を用いて決定レベルで不確実性を考慮した融合を行う。 DSTの過信リスクを軽減するため,識別性能を保ちながらランキング安定性を向上させるソフトエビデンス・スムーシング(SES)モジュールも導入する。 3つのがんデータセットの実験では、SEFGNNは一貫して最先端のベースラインを上回り、新しいCDGを発見できる可能性を示している。

関連論文リスト

• Graph Neural Networks in Multi-Omics Cancer Research: A Structured Survey [1.0128808054306186]
  マルチオミクスデータのためのデータ統合は、がんの生物学的基盤を解明するための強力な戦略として現れてきた。 グラフニューラルネットワーク(GNN)の最近の進歩は、異種および構造化オミクスデータをモデル化するための効果的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-06-03T07:28:02Z)
• A Novel Graph Transformer Framework for Gene Regulatory Network Inference [0.27624021966289597]
  遺伝子制御ネットワーク(GRN)の推測は、必ずしも真の生物学的相互作用を反映するとは限らない。 ほとんどのGRN推論手法は、ネットワーク再構築フェーズにおいていくつかの課題に直面している。 生データから直接遺伝子発現パターンをキャプチャするために,オートエンコーダの埋め込みを用いる。 GRN構造からの事前の知識を埋め込み、それらをテキストのような表現に変換する。
  論文  参考訳（メタデータ） (2025-04-23T06:24:26Z)
• Analysis of Gene Regulatory Networks from Gene Expression Using Graph Neural Networks [0.4369058206183195]
  本研究では、遺伝子制御ネットワーク(GRN)のようなグラフ構造化データをモデリングするための強力なアプローチであるグラフニューラルネットワーク(GNN)の利用について検討する。 規制相互作用を正確に予測し、キーレギュレータをピンポイントするモデルの有効性は、高度な注意機構に起因している。 GNNのGRN研究への統合は、パーソナライズド医療、薬物発見、生物学的システムの把握における先駆的な発展を目標としている。
  論文  参考訳（メタデータ） (2024-09-20T17:16:14Z)
• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• Explainable Multilayer Graph Neural Network for Cancer Gene Prediction [21.83218536069088]
  本稿では,癌遺伝子の同定にEMGNN(Explainable Multilayer Graph Neural Network)アプローチを提案する。 単一の生物学的ネットワーク上の従来のグラフ学習とは異なり、EMGNNは多層グラフニューラルネットワークを使用して、複数の生物学的ネットワークから正確ながん遺伝子予測を学習する。 提案手法は, 従来手法よりも平均7.15%, 精度・リコール曲線 (AUPR) で改善されている。
  論文  参考訳（メタデータ） (2023-01-20T23:57:12Z)
• 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 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)
• 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)
• AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
  グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。 半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。 実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
  論文  参考訳（メタデータ） (2020-07-05T08:16:03Z)

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。