論文の概要: RGE-GCN: Recursive Gene Elimination with Graph Convolutional Networks for RNA-seq based Early Cancer Detection

• arxiv url: http://arxiv.org/abs/2512.04333v2
• Date: Sun, 07 Dec 2025 16:37:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 13:50:38.548337
• Title: RGE-GCN: Recursive Gene Elimination with Graph Convolutional Networks for RNA-seq based Early Cancer Detection
• Title（参考訳）: RGE-GCN:RNA-seqによる早期癌検出のためのグラフ畳み込みネットワークを用いた再帰的遺伝子除去
• Authors: Shreyas Shende, Varsha Narayanan, Vishal Fenn, Yiran Huang, Dincer Goksuluk, Gaurav Choudhary, Melih Agraz, Mengjia Xu,
• Abstract要約: RGE-GCN(Recursive Gene Elimination with Graph Convolutional Networks)は,単一パイプラインにおける特徴選択と分類を組み合わせたフレームワークである。 提案手法は, 遺伝子発現プロファイルからグラフを構築し, グラフ畳み込みネットワークを用いてがんと正常なサンプルを分類し, 組込み勾配を用いて最も情報性の高い遺伝子をハイライトする。 RGE-GCNは, 肺, 腎臓, 頸部がんのRNA-seqコホートと同様に, 合成データに基づいて評価した。
• 参考スコア（独自算出の注目度）: 3.1900467994236372
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early detection of cancer plays a key role in improving survival rates, but identifying reliable biomarkers from RNA-seq data is still a major challenge. The data are high-dimensional, and conventional statistical methods often fail to capture the complex relationships between genes. In this study, we introduce RGE-GCN (Recursive Gene Elimination with Graph Convolutional Networks), a framework that combines feature selection and classification in a single pipeline. Our approach builds a graph from gene expression profiles, uses a Graph Convolutional Network to classify cancer versus normal samples, and applies Integrated Gradients to highlight the most informative genes. By recursively removing less relevant genes, the model converges to a compact set of biomarkers that are both interpretable and predictive. We evaluated RGE-GCN on synthetic data as well as real-world RNA-seq cohorts of lung, kidney, and cervical cancers. Across all datasets, the method consistently achieved higher accuracy and F1-scores than standard tools such as DESeq2, edgeR, and limma-voom. Importantly, the selected genes aligned with well-known cancer pathways including PI3K-AKT, MAPK, SUMOylation, and immune regulation. These results suggest that RGE-GCN shows promise as a generalizable approach for RNA-seq based early cancer detection and biomarker discovery (https://rce-gcn.streamlit.app/ ).
• Abstract（参考訳）: 癌の早期発見は生存率の向上に重要な役割を果たすが、RNA-seqデータから信頼できるバイオマーカーを同定することは依然として大きな課題である。 データは高次元であり、従来の統計手法では遺伝子間の複雑な関係を捉えることができないことが多い。 本研究では,単一パイプラインにおける特徴選択と分類を組み合わせたフレームワークであるRGE-GCN(Recursive Gene Elimination with Graph Convolutional Networks)を紹介する。 提案手法は, 遺伝子発現プロファイルからグラフを構築し, グラフ畳み込みネットワークを用いてがんと正常なサンプルを分類し, 組込み勾配を用いて最も情報性の高い遺伝子をハイライトする。 関連性の低い遺伝子を再帰的に除去することにより、モデルは解釈可能かつ予測可能な、コンパクトなバイオマーカーセットに収束する。 RGE-GCNは, 肺, 腎臓, 頸部がんのRNA-seqコホートと同様に, 合成データに基づいて評価した。 すべてのデータセットで、このメソッドはDESeq2、EdgeR、limma-voomといった標準ツールよりも高い精度とF1スコアを達成した。 重要なことに、選択された遺伝子は、PI3K-AKT、MAPK、SUMOylation、免疫調節など、よく知られたがん経路と一致している。 これらの結果は、RGE-GCNがRNA-seqに基づく早期がん検出とバイオマーカー発見の一般化可能なアプローチであることを示している(https://rce-gcn.streamlit.app/)。

関連論文リスト

• Genotype-Phenotype Integration through Machine Learning and Personalized Gene Regulatory Networks for Cancer Metastasis Prediction [1.7895738175272824]
  転移はがんによる死亡の原因である。 古典的な機械学習とディープラーニングを統合して、複数のがんタイプにわたる転移能を予測する。
  論文  参考訳（メタデータ） (2025-10-22T05:20:13Z)
• 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)
• scMamba: A Pre-Trained Model for Single-Nucleus RNA Sequencing Analysis in Neurodegenerative Disorders [43.24785083027205]
  scMambaは、snRNA-seq解析の品質と実用性を改善するために設計された事前訓練モデルである。 最近のMambaモデルにインスパイアされた scMamba は、線形アダプタ層、遺伝子埋め込み、双方向のMambaブロックを組み込んだ新しいアーキテクチャを導入している。 scMambaは、セルタイプアノテーション、ダブルト検出、インプット、差分表現された遺伝子の同定など、様々な下流タスクにおいて、ベンチマーク手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-12T11:48:22Z)
• Graph Structure Learning for Tumor Microenvironment with Cell Type Annotation from non-spatial scRNA-seq data [6.432270457083369]
  本稿では,細胞型予測と細胞間相互作用解析を強化する新しいグラフニューラルネットワーク(GNN)モデルを提案する。 提案したScGSLモデルは堅牢な性能を示し、平均精度84.83%、精度86.23%、リコール81.51%、F1スコア80.92%を全データセットで達成した。
  論文  参考訳（メタデータ） (2025-02-04T18:28:25Z)
• Pan-cancer gene set discovery via scRNA-seq for optimal deep learning based downstream tasks [6.869831177092736]
  腫瘍生検181例のscRNA-seqデータを13種類の癌で解析した。 高次元重み付き遺伝子共発現ネットワーク解析(hdWGCNA)を行い、関連遺伝子群を同定した。 多層パーセプトロン(MLP)やグラフニューラルネットワーク(GNN)を含むディープラーニングモデルを用いたOncoKBのオンコジーンの評価
  論文  参考訳（メタデータ） (2024-08-13T23:24:36Z)
• scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis in Brain [46.39828178736219]
  我々はこれらの課題に対処し、脳内のscRNA-seq解析の精度を高めるために設計された基礎モデルであるscHyenaを紹介する。 scHyenaは、線形適応層、遺伝子埋め込みによる位置エンコーディング、および双方向ハイエナ演算子を備えている。 これにより、生データから情報を失うことなく、全長の scRNA-seq データを処理できる。
  論文  参考訳（メタデータ） (2023-10-04T10:30:08Z)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• 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)
• rfPhen2Gen: A machine learning based association study of brain imaging phenotypes to genotypes [71.1144397510333]
  56個の脳画像QTを用いてSNPを予測する機械学習モデルを学習した。 アルツハイマー病(AD)リスク遺伝子APOEのSNPは、ラスソとランダムな森林に対して最低のRMSEを有していた。 ランダム・フォレストは、線形モデルによって優先順位付けされなかったが、脳関連疾患と関連があることが知られている追加のSNPを特定した。
  論文  参考訳（メタデータ） (2022-03-31T20:15:22Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)

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。