論文の概要: Causal Inference, Biomarker Discovery, Graph Neural Network, Feature Selection

• arxiv url: http://arxiv.org/abs/2511.13295v1
• Date: Mon, 17 Nov 2025 12:16:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:25.203353
• Title: Causal Inference, Biomarker Discovery, Graph Neural Network, Feature Selection
• Title（参考訳）: 因果推論、バイオマーカー発見、グラフニューラルネットワーク、特徴選択
• Authors: Chaowang Lan, Jingxin Wu, Yulong Yuan, Chuxun Liu, Huangyi Kang, Caihua Liu,
• Abstract要約: 因果推論と多層グラフニューラルネットワーク(GNN)を統合する因果グラフニューラルネットワーク(Causal-GNN)を開発した。 我々の研究は、バイオマーカー発見のための堅牢で効率的で生物学的に解釈可能なツールを提供し、医学分野にまたがる幅広い応用の可能性を示している。
• 参考スコア（独自算出の注目度）: 2.2914260353572513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biomarker discovery from high-throughput transcriptomic data is crucial for advancing precision medicine. However, existing methods often neglect gene-gene regulatory relationships and lack stability across datasets, leading to conflation of spurious correlations with genuine causal effects. To address these issues, we develop a causal graph neural network (Causal-GNN) method that integrates causal inference with multi-layer graph neural networks (GNNs). The key innovation is the incorporation of causal effect estimation for identifying stable biomarkers, coupled with a GNN-based propensity scoring mechanism that leverages cross-gene regulatory networks. Experimental results demonstrate that our method achieves consistently high predictive accuracy across four distinct datasets and four independent classifiers. Moreover, it enables the identification of more stable biomarkers compared to traditional methods. Our work provides a robust, efficient, and biologically interpretable tool for biomarker discovery, demonstrating strong potential for broad application across medical disciplines.
• Abstract（参考訳）: 高スループット転写データからのバイオマーカーの発見は、精密医療の進歩に不可欠である。 しかし、既存の手法は、しばしば遺伝子と遺伝子間の関係を無視し、データセット間の安定性を欠いているため、真の因果関係と急激な相関関係が融合する。 これらの問題に対処するために、因果推論と多層グラフニューラルネットワーク(GNN)を統合する因果グラフニューラルネットワーク(Causal-GNN)法を開発した。 鍵となる革新は、安定なバイオマーカーを識別するための因果効果推定を取り入れることであり、また、遺伝子間制御ネットワークを活用するGNNベースの確率スコアリング機構が組み込まれている。 実験結果から,本手法は4つの異なるデータセットと4つの独立分類器で一貫した高い予測精度を実現することが示された。 さらに,従来の方法に比べて安定なバイオマーカーの同定が可能となった。 我々の研究は、バイオマーカー発見のための堅牢で効率的で生物学的に解釈可能なツールを提供し、医学分野にまたがる幅広い応用の可能性を示している。

関連論文リスト

• Biology-informed neural networks learn nonlinear representations from omics data to improve genomic prediction and interpretability [0.0]
  我々は、作物のゲノム予測(GP)と選抜(GS)のために、生物情報ニューラルネットワーク(BINN)を拡張した。 BINNは、経路レベルの誘導バイアスを符号化し、トレーニング中にのみマルチオミクスデータを活用することで制限を克服する。 BINNは、合成メタボロミクスベンチマークのための完全なドメイン知識により、従来のニューラルネットワークと比較して予測誤差を75%削減する。
  論文  参考訳（メタデータ） (2025-10-16T17:59:38Z)
• E-ABIN: an Explainable module for Anomaly detection in BIological Networks [1.7999333451993955]
  E-ABINは、生体ネットワークにおける異常検出のための汎用的で説明可能なフレームワークである。 従来の機械学習とグラフベースのディープラーニング技術を組み合わせた、統一されたユーザフレンドリなプラットフォームだ。 膀胱癌とコリアック病の症例研究を通じてE-ABINの有用性を実証した。
  論文  参考訳（メタデータ） (2025-06-25T08:25:17Z)
• 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)
• Identifying Critical Phases for Disease Onset with Sparse Haematological Biomarkers [0.0]
  臨床血液検査は、大規模生物医学研究のための新しい分子データ源である。 従来の計算法は、生物学的解釈性に欠けながら歪んだ学習信号とバイアス予測にアプローチする。 デルタバイオマーカートラジェクトリをモデル化するために,GNAN(Graph Neural Additive Networks)を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-03-18T07:29:45Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Large-Scale Targeted Cause Discovery via Learning from Simulated Data [66.51307552703685]
  本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。 我々は、シミュレートされたデータに基づいて教師あり学習を用いてニューラルネットワークを訓練し、因果関係を推定する。 大規模遺伝子制御ネットワークにおける因果関係の同定に優れた性能を示す実験結果が得られた。
  論文  参考訳（メタデータ） (2024-08-29T02:21:11Z)
• Discovering robust biomarkers of psychiatric disorders from resting-state functional MRI via graph neural networks: A systematic review [4.799269666410891]
  障害予測タスクのためのfMRIデータセットに対して,GNNとモデル説明可能性技術がどのように適用されてきたかを検討する。 精神疾患に対するfMRIバイオマーカーを報告したGNNを用いて65種類の研究を同定した。 バイオマーカーのロバスト性を決定するために,客観的評価指標に基づく新しい標準を確立することを提案する。
  論文  参考訳（メタデータ） (2024-05-01T15:29:55Z)
• Highly Accurate Disease Diagnosis and Highly Reproducible Biomarker Identification with PathFormer [32.26944736442376]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データを分析するための主要なディープラーニングモデルである。 課題の根源は、生物学的シグナル伝達経路のユニークなグラフ構造である。 本稿では,バイオマーカーのランク付けと疾患診断の予測のために,シグナルネットワーク,優先知識,オミクスデータを統合した新しいGNNモデルアーキテクチャPathFormerを提案する。
  論文  参考訳（メタデータ） (2024-02-11T18:23:54Z)
• Learning to Denoise Biomedical Knowledge Graph for Robust Molecular Interaction Prediction [50.7901190642594]
  分子間相互作用予測のためのバイオKDN (Biomedical Knowledge Graph Denoising Network) を提案する。 BioKDNは、ノイズの多いリンクを学習可能な方法で識別することで、局所的な部分グラフの信頼性の高い構造を洗練する。 ターゲットの相互作用に関する関係を円滑にすることで、一貫性とロバストなセマンティクスを維持する。
  論文  参考訳（メタデータ） (2023-12-09T07:08:00Z)
• 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)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Quantifying the Reproducibility of Graph Neural Networks using Multigraph Brain Data [0.0]
  グラフニューラルネットワーク(GNN)は、コンピュータビジョン、コンピュータ支援診断、および関連分野におけるいくつかの問題に取り組む際に、前例のない増殖を目撃している。 これまでの研究では、モデルの精度の向上に焦点が当てられていたが、GNNによって特定される最も差別的な特徴を定量化することは、臨床応用における信頼性に関する懸念を生じさせる無傷の問題である。 異なるモデル間で共有される最も差別的な特徴(バイオマーカー)によるGNNアセスメントのためのフレームワークを初めて提案する。我々のフレームワークの健全性を確認するため、トレーニング戦略やトレーニング戦略などのさまざまな要因を取り入れている。
  論文  参考訳（メタデータ） (2021-09-06T05:31:02Z)
• Data-Driven Logistic Regression Ensembles With Applications in Genomics [0.0]
  本稿では,正規化とアンサンブル技術を融合した高次元バイナリ分類手法を提案する。 医学ゲノミクスの応用において,本手法は競合する手法によって見落とされた重要なバイオマーカーを同定する。
  論文  参考訳（メタデータ） (2021-02-17T05:57:26Z)
• 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)

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。