論文の概要: Hierarchical Pooling and Explainability in Graph Neural Networks for Tumor and Tissue-of-Origin Classification Using RNA-seq Data

• arxiv url: http://arxiv.org/abs/2601.06381v1
• Date: Sat, 10 Jan 2026 01:33:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.78273
• Title: Hierarchical Pooling and Explainability in Graph Neural Networks for Tumor and Tissue-of-Origin Classification Using RNA-seq Data
• Title（参考訳）: RNA-seqデータを用いた腫瘍およびOrigin分類のためのグラフニューラルネットワークの階層的ポーリングと説明可能性
• Authors: Thomas Vaitses Fontanari, Mariana Recamonde-Mendoza,
• Abstract要約: The Cancer Genome Atlasの遺伝子発現データとSTRINGタンパク質-タンパク質相互作用ネットワークを組み合わせ、組織の起源を分類する。 このモデルは、チェビシェフグラフ畳み込み(K=2)と重み付けされたプール層を使用し、複数の粗いレベルにわたって遺伝子クラスターを「スーパーノード」に集約する。 がんに関連する重要な遺伝子と生物学的過程を同定し, モデルを理解するために, 塩分濃度法を適用した。
• 参考スコア（独自算出の注目度）: 0.19336815376402716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study explores the use of graph neural networks (GNNs) with hierarchical pooling and multiple convolution layers for cancer classification based on RNA-seq data. We combine gene expression data from The Cancer Genome Atlas (TCGA) with a precomputed STRING protein-protein interaction network to classify tissue origin and distinguish between normal and tumor samples. The model employs Chebyshev graph convolutions (K=2) and weighted pooling layers, aggregating gene clusters into 'supernodes' across multiple coarsening levels. This approach enables dimensionality reduction while preserving meaningful interactions. Saliency methods were applied to interpret the model by identifying key genes and biological processes relevant to cancer. Our findings reveal that increasing the number of convolution and pooling layers did not enhance classification performance. The highest F1-macro score (0.978) was achieved with a single pooling layer. However, adding more layers resulted in over-smoothing and performance degradation. However, the model proved highly interpretable through gradient methods, identifying known cancer-related genes and highlighting enriched biological processes, and its hierarchical structure can be used to develop new explainable architectures. Overall, while deeper GNN architectures did not improve performance, the hierarchical pooling structure provided valuable insights into tumor biology, making GNNs a promising tool for cancer biomarker discovery and interpretation
• Abstract（参考訳）: 本研究では、RNA-seqデータに基づくがん分類において、階層的なプーリングと複数の畳み込み層を備えた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。 我々はThe Cancer Genome Atlas(TCGA)の遺伝子発現データとSTRINGタンパク質-タンパク質相互作用ネットワークを組み合わせ、組織の起源を分類し、正常標本と腫瘍標本を区別する。 このモデルは、チェビシェフグラフ畳み込み(K=2)と重み付けされたプール層を使用し、遺伝子クラスターを複数の粗いレベルにわたって「スーパーノード」に集約する。 このアプローチは意味のある相互作用を保ちながら次元の減少を可能にする。 がんに関連する重要な遺伝子と生物学的過程を同定し, モデルを理解するために, 塩分濃度法を適用した。 以上の結果から,畳み込み層やプール層の増加は分類性能を向上させるには至らなかった。 最も高いF1マクロスコア(0.978)は、単一のプール層で達成された。 しかし、より多くのレイヤを追加すると、過剰なスムース化とパフォーマンスが低下する。 しかし、このモデルは、既知の癌関連遺伝子を同定し、リッチな生物学的プロセスを強調し、その階層構造を新しい説明可能なアーキテクチャの開発に利用することで、高度に解釈可能であることが証明された。 全体として、より深いGNNアーキテクチャは性能を向上しなかったが、階層的なプール構造は腫瘍生物学に貴重な洞察を与え、GNNはがんバイオマーカーの発見と解釈のための有望なツールとなった。

関連論文リスト

• RGE-GCN: Recursive Gene Elimination with Graph Convolutional Networks for RNA-seq based Early Cancer Detection [3.1900467994236372]
  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。
  論文  参考訳（メタデータ） (2025-12-03T23:45:21Z)
• 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)
• scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
  グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。 scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。 scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
  論文  参考訳（メタデータ） (2023-12-16T03:54:26Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• A Neural Collapse Perspective on Feature Evolution in Graph Neural Networks [44.31777384413466]
  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の分類タスクでますます人気が高まっている。 本稿では,ノードワイズ分類に着目し,ニューラル崩壊現象のレンズによる特徴進化を考察する。 我々は、「最適」な数学的モデルでさえ、グラフが正確な崩壊を伴う最小値を持つためには厳密な構造条件に従う必要があることを示した。
  論文  参考訳（メタデータ） (2023-07-04T23:03:21Z)
• 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)
• Hierarchical Graph Capsule Network [78.4325268572233]
  ノード埋め込みを共同で学習し,グラフ階層を抽出できる階層型グラフカプセルネットワーク(HGCN)を提案する。 階層的表現を学ぶために、HGCNは下層カプセル(部分)と高層カプセル(全体)の間の部分的関係を特徴付ける。
  論文  参考訳（メタデータ） (2020-12-16T04:13:26Z)

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。