論文の概要: Interpretable Perturbation Modeling Through Biomedical Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2512.22251v2
• Date: Wed, 31 Dec 2025 17:30:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 15:47:54.40676
• Title: Interpretable Perturbation Modeling Through Biomedical Knowledge Graphs
• Title（参考訳）: バイオメディカル知識グラフによる解釈可能な摂動モデリング
• Authors: Pascal Passigan, Kevin Zhu, Angelina Ning,
• Abstract要約: マルチモーダル・埋め込みは バイオメディカル・ナレッジ・グラフに統合されます 薬物細胞対のランドマーク遺伝子のデルタ表現プロファイルを学習するために,グラフアテンションネットワークを訓練する。 我々の枠組みは、メカニスティックな薬物モデリングへの道筋を提供する。
• 参考スコア（独自算出の注目度）: 2.9275990558029075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding how small molecules perturb gene expression is essential for uncovering drug mechanisms, predicting off-target effects, and identifying repurposing opportunities. While prior deep learning frameworks have integrated multimodal embeddings into biomedical knowledge graphs (BKGs) and further improved these representations through graph neural network message-passing paradigms, these models have been applied to tasks such as link prediction and binary drug-disease association, rather than the task of gene perturbation, which may unveil more about mechanistic transcriptomic effects. To address this gap, we construct a merged biomedical graph that integrates (i) PrimeKG++, an augmentation of PrimeKG containing semantically rich embeddings for nodes with (ii) LINCS L1000 drug and cell line nodes, initialized with multimodal embeddings from foundation models such as MolFormerXL and BioBERT. Using this heterogeneous graph, we train a graph attention network (GAT) with a downstream prediction head that learns the delta expression profile of over 978 landmark genes for a given drug-cell pair. Our results show that our framework outperforms MLP baselines for differentially expressed genes (DEG) -- which predict the delta expression given a concatenated embedding of drug features, target features, and baseline cell expression -- under the scaffold and random splits. Ablation experiments with edge shuffling and node feature randomization further demonstrate that the edges provided by biomedical KGs enhance perturbation-level prediction. More broadly, our framework provides a path toward mechanistic drug modeling: moving beyond binary drug-disease association tasks to granular transcriptional effects of therapeutic intervention.
• Abstract（参考訳）: 小分子の摂動遺伝子発現の理解は、薬物機構の解明、標的外効果の予測、再調達の機会の特定に不可欠である。 従来のディープラーニングフレームワークは、バイオメディカルナレッジグラフ(BKG)にマルチモーダル埋め込みを統合し、グラフニューラルネットワークメッセージパッシングパラダイムを通じてこれらの表現を改善してきたが、これらのモデルは、遺伝子摂動のタスクではなく、リンク予測やバイナリドラッグ・ディスリーズ・アソシエーションといったタスクに適用され、機械的トランスクリプトーム効果についてより明らかにされている。 このギャップに対処するため、我々は統合されたバイオメディカルグラフを構築した。 i) PrimeKG++ は,ノードにセマンティックにリッチな埋め込みを含む PrimeKG の拡張である (II) LINCS L1000 薬物および細胞株ノードは, MolFormerXL や BioBERT などの基礎モデルから, マルチモーダル埋め込みで初期化される。 この異種グラフを用いて、薬物細胞対の978以上のランドマーク遺伝子のデルタ表現プロファイルを学習する下流予測ヘッドを用いたグラフアテンションネットワーク(GAT)を訓練する。 以上の結果から,本フレームワークは差分発現遺伝子(DEG)のMLPベースラインよりも優れており,薬物特徴,標的特徴,ベースライン細胞発現の結合した埋め込みによりデルタ発現を予測する。 さらに、エッジシャッフルとノード特徴ランダム化によるアブレーション実験により、生体医学的なKGによって提供されるエッジが摂動レベルの予測を促進することを示した。 より広範に、我々のフレームワークは、二元的薬物放出関連タスクを超えて、治療介入の転写効果を微粒化する、メカニスティックな薬物モデリングへの道筋を提供する。

関連論文リスト

• MOTGNN: Interpretable Graph Neural Networks for Multi-Omics Disease Classification [8.939868953031976]
  本稿では,2次疾患分類のための新規かつ解釈可能なフレームワークである木生成グラフニューラルネット(MOTGNN)とのマルチオミクス統合を提案する。 MOTGNNは、EXtreme Gradient Boosting(XGBoost)を使用して、オミクス固有の教師付きグラフ構築を行い、次いで階層的表現学習のためのモダリティ固有のグラフニューラルネットワーク(GNN)と、クロスオミクス統合のためのディープフィードフォワードネットワークが続く。
  論文  参考訳（メタデータ） (2025-08-10T19:35:53Z)
• Towards Interpretable Drug-Drug Interaction Prediction: A Graph-Based Approach with Molecular and Network-Level Explanations [3.6099926707292793]
  薬物と薬物の相互作用(DDI)は、薬理学において重要な課題であり、しばしば患者の安全と医療結果に重大な影響を及ぼす有害な薬物反応を引き起こす。 我々は,分子と生物の知識を統合したグラフベースの新しいフレームワークであるMolecBioNetを提案し,ロバストで解釈可能なDDI予測を行う。
  論文  参考訳（メタデータ） (2025-07-12T07:43:19Z)
• Heterogeneous network drug-target interaction prediction model based on graph wavelet transform and multi-level contrastive learning [8.154286666697312]
  本研究ではヘテロジニアスネットワークの薬物標的相互作用予測フレームワークを提案する。 グラフニューラルネットワークとマルチスケール信号処理技術を統合し、効率的な予測とマルチレベル解釈性の両方でモデルを構築する。 実験結果から,本フレームワークは全てのデータセットに対して優れた予測性能を示すことがわかった。
  論文  参考訳（メタデータ） (2025-04-27T09:29:50Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Gene-Metabolite Association Prediction with Interactive Knowledge Transfer Enhanced Graph for Metabolite Production [49.814615043389864]
  メタボリックグラフに基づく遺伝子メタボリック・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション・アソシエーション 2474の代謝産物と1947年の2つの一般的な微生物の遺伝子を含む最初のベンチマークを提示する。 提案手法は,各種リンク予測フレームワークのベースラインを最大12.3%向上させる。
  論文  参考訳（メタデータ） (2024-10-24T06:54:27Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Hierarchical Graph Representation Learning for the Prediction of Drug-Target Binding Affinity [7.023929372010717]
  本稿では,薬物結合親和性予測,すなわちHGRL-DTAのための新しい階層グラフ表現学習モデルを提案する。 本稿では,グローバルレベルの親和性グラフと局所レベルの分子グラフから得られた階層的表現を統合するためのメッセージブロードキャスティング機構を採用し,また,類似性に基づく埋め込みマップを設計し,未知の薬物や標的に対する表現の推論というコールドスタート問題を解決する。
  論文  参考訳（メタデータ） (2022-03-22T04:50:16Z)
• MOOMIN: Deep Molecular Omics Network for Anti-Cancer Drug Combination Therapy [2.446672595462589]
  本稿では,がん治療における薬物併用の相乗効果を予測できるマルチモーダルグラフニューラルネットワークを提案する。 本モデルでは,薬物とタンパク質の相互作用ネットワークとメタデータに基づいて,薬物のコンテキストを複数スケールで表現する。 このモデルが癌細胞株の組織を広範囲にわたって高い品質で予測できることを実証した。
  論文  参考訳（メタデータ） (2021-10-28T13:10:25Z)

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。