論文の概要: Gene regulatory network inference algorithm based on spectral signed directed graph convolution
- arxiv url: http://arxiv.org/abs/2512.11927v1
- Date: Fri, 12 Dec 2025 00:54:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-16 17:54:56.029221
- Title: Gene regulatory network inference algorithm based on spectral signed directed graph convolution
- Title（参考訳）: スペクトル符号付き有向グラフ畳み込みに基づく遺伝子制御ネットワーク推定アルゴリズム
- Authors: Rijie Xi, Weikang Xu, Wei Xiong, Yuannong Ye, Bin Zhao,
- Abstract要約: 我々は,GRNを符号付き有向グラフとして明示的にモデル化し,磁気符号付きラプラシアン畳み込みを用いる新しいフレームワークであるMSGRNLinkを提案する。
膀胱がんのケーススタディでは、MSGRNLinkはベンチマークモデルよりも既知のエッジとエッジの兆候を予測し、その生物学的関連性をさらに検証した。
- 参考スコア（独自算出の注目度）: 11.166270329149205
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurately reconstructing Gene Regulatory Networks (GRNs) is crucial for understanding gene functions and disease mechanisms. Single-cell RNA sequencing (scRNA-seq) technology provides vast data for computational GRN reconstruction. Since GRNs are ideally modeled as signed directed graphs to capture activation/inhibition relationships, the most intuitive and reasonable approach is to design feature extractors based on the topological structure of GRNs to extract structural features, then combine them with biological characteristics for research. However, traditional spectral graph convolution struggles with this representation. Thus, we propose MSGRNLink, a novel framework that explicitly models GRNs as signed directed graphs and employs magnetic signed Laplacian convolution. Experiments across simulated and real datasets demonstrate that MSGRNLink outperforms all baseline models in AUROC. Parameter sensitivity analysis and ablation studies confirmed its robustness and the importance of each module. In a bladder cancer case study, MSGRNLink predicted more known edges and edge signs than benchmark models, further validating its biological relevance.
- Abstract（参考訳）: 遺伝子制御ネットワーク(GRN)の正確な再構築は、遺伝子機能や疾患のメカニズムを理解する上で重要である。
シングルセルRNAシークエンシング(scRNA-seq)技術は、計算GRN再構成のための膨大なデータを提供する。
GRNは、活性化/阻害関係を捉えるために符号付き有向グラフとして理想的にモデル化されているため、最も直感かつ合理的なアプローチは、GRNのトポロジカル構造に基づいて特徴抽出器を設計し、構造的特徴を抽出し、研究のための生物学的特性と組み合わせることである。
しかし、伝統的なスペクトルグラフの畳み込みはこの表現に苦慮している。
そこで我々は,GRNを符号付き有向グラフとして明示的にモデル化し,磁気符号付きラプラシアン畳み込みを用いたMSGRNLinkを提案する。
シミュレーションと実データを用いた実験により、MSGRNLinkはAUROCのすべてのベースラインモデルより優れていることが示された。
パラメータ感度解析およびアブレーション研究により、それぞれのモジュールの頑丈さと重要性が確認された。
膀胱がんのケーススタディでは、MSGRNLinkはベンチマークモデルよりも既知のエッジとエッジの兆候を予測し、その生物学的関連性をさらに検証した。
関連論文リスト
- 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) - GRNFormer: A Biologically-Guided Framework for Integrating Gene Regulatory Networks into RNA Foundation Models [39.58414436685698]
マルチオミクスデータから推定されるマルチスケール遺伝子制御ネットワーク(GRN)をRNA基盤モデルトレーニングに統合する新しいフレームワークを提案する。
GRNFormerは、最先端(SoTA)ベースラインに対して一貫した改善を実現している。
論文 参考訳（メタデータ） (2025-03-03T15:56:39Z) - 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) - Gene Regulatory Network Inference from Pre-trained Single-Cell Transcriptomics Transformer with Joint Graph Learning [10.44434676119443]
単一細胞RNAシークエンシング(scRNA-seq)データから遺伝子制御ネットワーク(GRN)を推定することは複雑である。
本研究では,単一セルBERTを用いた事前学習型トランスモデル(scBERT)を活用することで,この問題に対処する。
本稿では,単一セル言語モデルによって学習されたリッチな文脈表現と,GRNで符号化された構造化知識を組み合わせた,新しい共同グラフ学習手法を提案する。
論文 参考訳（メタデータ） (2024-07-25T16:42:08Z) - 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) - Learnable Filters for Geometric Scattering Modules [64.03877398967282]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2022-08-15T22:30:07Z) - 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) - Prediction of gene expression time series and structural analysis of
gene regulatory networks using recurrent neural networks [0.0]
この作業は、RNNの注意機構を理解し、活用する方法を提供する。
遺伝子発現データから時系列予測とGRNの推測を行うRNNベースの手法への道を開く。
論文 参考訳（メタデータ） (2021-09-13T10:30:21Z) - Lightweight, Dynamic Graph Convolutional Networks for AMR-to-Text
Generation [56.73834525802723]
軽量な動的グラフ畳み込みネットワーク (LDGCN) を提案する。
LDGCNは入力グラフから高次情報を合成することにより、よりリッチな非局所的な相互作用をキャプチャする。
我々は,グループグラフの畳み込みと重み付き畳み込みに基づく2つの新しいパラメータ保存戦略を開発し,メモリ使用量とモデル複雑性を低減する。
論文 参考訳（メタデータ） (2020-10-09T06:03:46Z) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳（メタデータ） (2020-10-06T01:20:27Z) - Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning
via Gaussian Processes [144.6048446370369]
グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。
グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。
GPGCを評価するための広範囲な実験を行い、他の最先端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） (2020-02-26T10:02:32Z)
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。