論文の概要: engGNN: A Dual-Graph Neural Network for Omics-Based Disease Classification and Feature Selection
- arxiv url: http://arxiv.org/abs/2601.14536v1
- Date: Tue, 20 Jan 2026 23:18:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-22 21:27:50.182679
- Title: engGNN: A Dual-Graph Neural Network for Omics-Based Disease Classification and Feature Selection
- Title（参考訳）: engGNN:Omicsベースの疾患分類と特徴選択のためのデュアルグラフニューラルネットワーク
- Authors: Tiantian Yang, Yuxuan Wang, Zhenwei Zhou, Ching-Ti Liu,
- Abstract要約: グラフニューラルネットワーク(GNN)は、機能関係をグラフとしてエンコーディングすることで、事前知識を統合するための有望な手段を提供する。
本稿では,外部生物ネットワークとデータ駆動型生成グラフを併用したデュアルグラフフレームワークである,外部で生成したグラフニューラルネットワーク(engGNN)を提案する。
engGNNは一貫して最先端のベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 5.54797146496798
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Omics data, such as transcriptomics, proteomics, and metabolomics, provide critical insights into disease mechanisms and clinical outcomes. However, their high dimensionality, small sample sizes, and intricate biological networks pose major challenges for reliable prediction and meaningful interpretation. Graph Neural Networks (GNNs) offer a promising way to integrate prior knowledge by encoding feature relationships as graphs. Yet, existing methods typically rely solely on either an externally curated feature graph or a data-driven generated one, which limits their ability to capture complementary information. To address this, we propose the external and generated Graph Neural Network (engGNN), a dual-graph framework that jointly leverages both external known biological networks and data-driven generated graphs. Specifically, engGNN constructs a biologically informed undirected feature graph from established network databases and complements it with a directed feature graph derived from tree-ensemble models. This dual-graph design produces more comprehensive embeddings, thereby improving predictive performance and interpretability. Through extensive simulations and real-world applications to gene expression data, engGNN consistently outperforms state-of-the-art baselines. Beyond classification, engGNN provides interpretable feature importance scores that facilitate biologically meaningful discoveries, such as pathway enrichment analysis. Taken together, these results highlight engGNN as a robust, flexible, and interpretable framework for disease classification and biomarker discovery in high-dimensional omics contexts.
- Abstract（参考訳）: 転写学、プロテオミクス、メタボロミクスなどのオーミクスデータは、疾患のメカニズムや臨床結果に対する重要な洞察を提供する。
しかし、その高次元、小さなサンプルサイズ、複雑な生物学的ネットワークは、信頼性の高い予測と意味のある解釈に大きな課題をもたらす。
グラフニューラルネットワーク(GNN)は、機能関係をグラフとしてエンコーディングすることで、事前知識を統合するための有望な手段を提供する。
しかし、既存のメソッドは通常、外部にキュレーションされたフィーチャーグラフか、データ駆動で生成されたグラフにのみ依存しているため、補完的な情報をキャプチャする能力は制限される。
そこで本研究では,外部生物ネットワークとデータ駆動型生成グラフを協調的に活用する,外部で生成されたグラフニューラルネットワーク(engGNN)を提案する。
具体的には、engGNNは、確立されたネットワークデータベースから生物学的に情報を得た非指向性特徴グラフを構築し、ツリーアンサンブルモデルから派生した指向性特徴グラフで補完する。
このデュアルグラフ設計により、より包括的な埋め込みが実現され、予測性能と解釈可能性が改善される。
engGNNは、広範なシミュレーションと実世界の遺伝子発現データへの応用を通じて、最先端のベースラインを一貫して上回っている。
engGNNは分類以外にも、経路富化分析のような生物学的に意味のある発見を促進する、解釈可能な特徴重要度スコアを提供する。
これらの結果は、高次元オミクスの文脈における疾患分類とバイオマーカー発見のための、堅牢で柔軟な、解釈可能なフレームワークとして、engGNNを強調している。
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) - Information Bottleneck-Guided Heterogeneous Graph Learning for Interpretable Neurodevelopmental Disorder Diagnosis [6.351889311288302]
I2B-HGNN(Interpretable Information Bottleneck Heterogeneous Graph Neural Network)を提案する。
I2B-HGNNは、インフォメーションボトルネックの原則を適用して、脳のコネクティビティモデリングとクロスモーダル機能統合の両方を導く。
I2B-HGNNはNDDの診断において優れた性能を示し,高い分類精度と解釈可能なバイオマーカーの同定能力を示した。
論文 参考訳（メタデータ） (2025-02-28T06:41:55Z) - GraphSeqLM: A Unified Graph Language Framework for Omic Graph Learning [20.906136206438102]
Graph Neural Networks (GNN)は、大規模シグナル伝達経路とタンパク質-タンパク質相互作用ネットワークを解析するための堅牢なフレームワークを提供する。
生物シークエンスを組み込んだGNNを強化するフレームワークであるグラフシーケンス言語モデル(GraphSeqLM)を提案する。
論文 参考訳（メタデータ） (2024-12-20T11:05:26Z) - DGNN: Decoupled Graph Neural Networks with Structural Consistency
between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。
ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。
複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文 参考訳（メタデータ） (2024-01-28T06:43:13Z) - A Systematic Review of Deep Graph Neural Networks: Challenges,
Classification, Architectures, Applications & Potential Utility in
Bioinformatics [0.0]
グラフニューラルネットワーク(GNN)は、グラフ依存を表現するためにグラフノード間のメッセージ送信を使用する。
GNNは、バイオインフォマティクス研究における幅広い生物学的課題を解決するための優れたツールとなる可能性がある。
論文 参考訳（メタデータ） (2023-11-03T10:25:47Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-05-22T10:29:52Z) - 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) - Spiking Graph Convolutional Networks [19.36064180392385]
SpikingGCNは、GCNの埋め込みとSNNの生体忠実性特性を統合することを目的としたエンドツーエンドフレームワークである。
ニューロモルフィックチップ上でのスパイキングGCNは、グラフデータ解析にエネルギー効率の明確な利点をもたらすことを示す。
論文 参考訳（メタデータ） (2022-05-05T16:44:36Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳（メタデータ） (2022-04-30T12:57:02Z) - Graph-in-Graph (GiG): Learning interpretable latent graphs in
non-Euclidean domain for biological and healthcare applications [52.65389473899139]
グラフは、医療領域において、非ユークリッドな非ユークリッドデータをユビキタスに表現し、分析するための強力なツールである。
近年の研究では、入力データサンプル間の関係を考慮すると、下流タスクに正の正の正則化効果があることが示されている。
タンパク質分類と脳イメージングのためのニューラルネットワークアーキテクチャであるGraph-in-Graph(GiG)を提案する。
論文 参考訳（メタデータ） (2022-04-01T10:01:37Z)
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。