論文の概要: Modeling Dabrafenib Response Using Multi-Omics Modality Fusion and Protein Network Embeddings Based on Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2512.12134v1
• Date: Sat, 13 Dec 2025 02:00:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.137776
• Title: Modeling Dabrafenib Response Using Multi-Omics Modality Fusion and Protein Network Embeddings Based on Graph Convolutional Networks
• Title（参考訳）: グラフ畳み込みネットワークに基づく多機能融合とタンパク質ネットワーク埋め込みを用いたダブラフェニブ応答のモデル化
• Authors: La Ode Aman, A Mu'thi Andy Suryadi, Dizky Ramadani Putri Papeo, Hamsidar Hasan, Ariani H Hutuba, Netty Ino Ischak, Yuszda K. Salimi,
• Abstract要約: 標的治療に対するがん細胞の反応は複雑な分子相互作用から生じ、単一のオミクスが正確な予測には不十分である。 本研究は, グラフ畳み込みネットワーク(GCN)を用いて生成したタンパク質ネットワーク埋め込みと複数のオミクス層(ゲノム, 転写学, エピジェノミクス, 代謝学)を統合することにより, ダブラフェニブ感受性を予測するモデルを開発した。 以上の結果から,GCNを併用したマルチオミクス融合は薬物反応予測を改善し,Dabrafenib感受性の相補的分子決定因子を明らかにすることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cancer cell response to targeted therapy arises from complex molecular interactions, making single omics insufficient for accurate prediction. This study develops a model to predict Dabrafenib sensitivity by integrating multiple omics layers (genomics, transcriptomics, proteomics, epigenomics, and metabolomics) with protein network embeddings generated using Graph Convolutional Networks (GCN). Each modality is encoded into low dimensional representations through neural network preprocessing. Protein interaction information from STRING is incorporated using GCN to capture biological topology. An attention based fusion mechanism assigns adaptive weights to each modality according to its relevance. Using GDSC cancer cell line data, the model shows that selective integration of two modalities, especially proteomics and transcriptomics, achieves the best test performance (R2 around 0.96), outperforming all single omics and full multimodal settings. Genomic and epigenomic data were less informative, while proteomic and transcriptomic layers provided stronger phenotypic signals related to MAPK inhibitor activity. These results show that attention guided multi omics fusion combined with GCN improves drug response prediction and reveals complementary molecular determinants of Dabrafenib sensitivity. The approach offers a promising computational framework for precision oncology and predictive modeling of targeted therapies.
• Abstract（参考訳）: 標的治療に対するがん細胞の反応は複雑な分子相互作用から生じ、単一のオミクスが正確な予測には不十分である。 本研究は, グラフ畳み込みネットワーク(GCN)を用いて生成したタンパク質ネットワーク埋め込みと複数のオミクス層(ゲノミクス, トランスクリプトミクス, プロテオミクス, エピジェノミクス, メタボロジー)を統合することにより, ダブラフェニブ感受性を予測するモデルを開発した。 それぞれのモダリティは、ニューラルネットワークの前処理によって低次元表現に符号化される。 STRINGからのタンパク質相互作用情報は、GCNを用いて生物学的トポロジーを捕捉する。 注意に基づく融合機構は、その関連性に応じて各モードに適応重みを割り当てる。 GDSC癌細胞株データを用いて、特にプロテオミクスとトランスクリプトミクスの2つのモードの選択的統合が、最も優れたテスト性能(R2約0.96)を達成し、単一のオミクスと完全なマルチモーダル設定を上回ることを示す。 ゲノムおよびエピジェノミクスデータは, プロテオーム層と転写層がMAPK阻害活性に関連するより強い表現型信号を提供するのに対し, 情報量は少なかった。 以上の結果から,GCNと多剤併用による多剤併用による薬物反応予測が改善し,Dabrafenib感受性の相補的分子決定因子が明らかにされた。 このアプローチは、標的療法の精度オンコロジーと予測モデリングのための有望な計算フレームワークを提供する。

関連論文リスト

• 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)
• 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)
• SFM-Protein: Integrative Co-evolutionary Pre-training for Advanced Protein Sequence Representation [97.99658944212675]
  タンパク質基盤モデルのための新しい事前学習戦略を導入する。 アミノ酸残基間の相互作用を強調し、短距離および長距離の共進化的特徴の抽出を強化する。 大規模タンパク質配列データセットを用いて学習し,より優れた一般化能力を示す。
  論文  参考訳（メタデータ） (2024-10-31T15:22:03Z)
• Binding Affinity Prediction: From Conventional to Machine Learning-Based Approaches [48.66541987908136]
  過去数十年間、バインディング親和性を予測するために多くの作業が費やされてきた。 従来の機械学習モデルとディープラーニングモデルの両方を結合親和性を予測するために利用している点に注意が必要だ。 予測性能の改善とFDAの動物試験の廃止により、AI仮想細胞(AIVC)のようなサイリコモデルで駆動されるAIは、結合親和性予測を前進させる可能性がある。
  論文  参考訳（メタデータ） (2024-09-30T03:40:49Z)
• LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
  本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
  論文  参考訳（メタデータ） (2024-08-30T16:26:04Z)
• Improved K-mer Based Prediction of Protein-Protein Interactions With Chaos Game Representation, Deep Learning and Reduced Representation Bias [0.0]
  本稿では,対話データセットからユニークなペアを抽出し,非バイアス付き機械学習のための非冗長なペアデータを生成する手法を提案する。 我々は,タンパク質のコード遺伝子のカオスゲーム表現から相互作用を学習し,予測できる畳み込みニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2023-10-23T10:02:23Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)

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。