論文の概要: Practical Causal Evaluation Metrics for Biological Networks
- arxiv url: http://arxiv.org/abs/2511.12805v1
- Date: Sun, 16 Nov 2025 22:18:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:24.554094
- Title: Practical Causal Evaluation Metrics for Biological Networks
- Title（参考訳）: 生物ネットワークにおける因果性評価の実際
- Authors: Noriaki Sato, Marco Scutari, Shuichi Kawano, Rui Yamaguchi, Seiya Imoto,
- Abstract要約: 生物学的データから因果ネットワークを推定することは、システム生物学における重要なステップである。
我々は介入による効果を考慮に入れた指標を開発した。
提案手法では,従来の指標と比較して,異なるアルゴリズムを最適に識別できることがわかった。
- 参考スコア（独自算出の注目度）: 2.0443308797642965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating causal networks from biological data is a critical step in systems biology. When evaluating the inferred network, assessing the networks based on their intervention effects is particularly important for downstream probabilistic reasoning and the identification of potential drug targets. In the context of gene regulatory network inference, biological databases are often used as reference sources. These databases typically describe relationships in a qualitative rather than quantitative manner. However, few evaluation metrics have been developed that take this qualitative nature into account. To address this, we developed a metric, the sign-augmented Structural Intervention Distance (sSID), and a weighted sSID that incorporates the net effects of the intervention. Through simulations and analyses of real transcriptomic datasets, we found that our proposed metrics could identify a different algorithm as optimal compared to conventional metrics, and the network selected by sSID had a superior performance in the classification task of clinical covariates using transcriptomic data. This suggests that sSID can distinguish networks that are structurally correct but functionally incorrect, highlighting its potential as a more biologically meaningful and practical evaluation metric.
- Abstract（参考訳）: 生物学的データから因果ネットワークを推定することは、システム生物学における重要なステップである。
推定されたネットワークを評価する場合、その介入効果に基づいてネットワークを評価することは、下流の確率論的推論と潜在的薬物標的の同定において特に重要である。
遺伝子制御ネットワーク推論の文脈では、生物学的データベースはしばしば参照源として使用される。
これらのデータベースは通常、量的な方法ではなく質的な方法で関係を記述する。
しかし、この質的な性質を考慮に入れた評価指標はほとんど開発されていない。
そこで我々は, 介入のネット効果を取り入れたSSID(Structure Intervention Distance)と重み付きsSID(Structure Intervention Distance)を開発した。
実際の転写データセットのシミュレーションと解析により,提案手法は従来と異なるアルゴリズムを最適に識別できること,sSIDによって選択されたネットワークは,転写データを用いた臨床共変量分類作業において優れた性能を示した。
このことは、sSIDが構造的に正しいが機能的に間違っているネットワークを区別し、生物学的に有意義で実用的な評価指標としての可能性を強調することを示唆している。
関連論文リスト
- A Multi-Resolution Benchmark Framework for Spatial Reasoning Assessment in Neural Networks [40.69150418258213]
本稿では,ニューラルネットワークにおける空間推論能力の評価を目的とした,包括的なベンチマークフレームワークの定義に関する予備的な結果を示す。
このフレームワークは現在、nnU-Netの能力の研究に使われている。
論文 参考訳（メタデータ） (2025-08-18T09:04:13Z) - Learning hidden cascades via classification [49.40566691717171]
感染の症状などの中間的な指標は観察可能である。
拡散モデルの特徴を学習するための部分的可観測性を考慮した機械学習フレームワークを提案する。
本手法を合成ネットワーク上で検証し,実世界のインサイダー取引ネットワークに拡張する。
論文 参考訳（メタデータ） (2025-05-16T13:23:52Z) - A Review of Link Prediction Applications in Network Biology [2.7624021966289605]
リンク予測(LP)手法は、生物学的ネットワーク内での欠落や予知の関連を推測するのに役立つ。
静的, 動的生物学的ネットワークに適用した, 局所的, 集中的, 埋め込み型LPアプローチの属性を系統的に識別する。
今後のLPモデルから期待される本質的な特徴を探求し, 生物学的システムを管理する複雑な相互作用の理解を深めるべく, レビューを締めくくった。
論文 参考訳（メタデータ） (2023-12-03T04:23:51Z) - Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2023-09-27T14:39:41Z) - R-Mixup: Riemannian Mixup for Biological Networks [15.48899766304136]
生体ネットワークからの隣接行列の対称正定値(SPD)特性に適合するデータ拡張手法であるR-mixUPを提案する。
実世界の5つの生物ネットワークデータセットを用いたR-mixUPの有効性を回帰処理と分類処理の両方で示す。
論文 参考訳（メタデータ） (2023-06-05T01:41:23Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - CausalBench: A Large-scale Benchmark for Network Inference from
Single-cell Perturbation Data [61.088705993848606]
本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。
CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
論文 参考訳（メタデータ） (2022-10-31T13:04:07Z) - Initial Study into Application of Feature Density and
Linguistically-backed Embedding to Improve Machine Learning-based
Cyberbullying Detection [54.83707803301847]
この研究は、自動サイバーバブル検出に関するKaggleコンペティションで提供されたFormspringデータセットで実施された。
本研究は,サイバブリング検出におけるニューラルネットワークの有効性と分類器性能と特徴密度の相関性を確認した。
論文 参考訳（メタデータ） (2022-06-04T03:17:15Z) - A Locally Adaptive Algorithm for Multiple Testing with Network Structure [4.441085538537119]
本稿では,広い範囲の補助情報を推論プロセスに統合するフレキシブルなフレームワークを提案する。
LASLAは、ネットワーク構造データによって引き起こされる課題によって、特に動機付けられている。
また、空間的位置や複数の補助的なシーケンスなど、他の種類の側情報に対して非常に効果的であることを示す。
論文 参考訳（メタデータ） (2022-03-22T04:58:03Z) - NOTMAD: Estimating Bayesian Networks with Sample-Specific Structures and
Parameters [70.55488722439239]
提案するNOTMADは,サンプルコンテキストに応じてアーキティパルネットワークの混合を学習する。
患者固有の遺伝子発現ネットワークを含む分析および実験を通じて,NOTMADとサンプル特異的ネットワーク推論の有用性を実証する。
論文 参考訳（メタデータ） (2021-11-01T17:17:34Z) - Generalized Shape Metrics on Neural Representations [26.78835065137714]
表現上の相似性を定量化する計量空間の族を提供する。
我々は、正準相関解析に基づいて既存の表現類似度尺度を修正し、三角形の不等式を満たす。
解剖学的特徴とモデル性能の観点から解釈可能な神経表現の関係を同定する。
論文 参考訳（メタデータ） (2021-10-27T19:48:55Z)
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。