論文の概要: Graph Transformer-Based Pathway Embedding for Cancer Prognosis

• arxiv url: http://arxiv.org/abs/2604.16685v1
• Date: Fri, 17 Apr 2026 20:41:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.132211
• Title: Graph Transformer-Based Pathway Embedding for Cancer Prognosis
• Title（参考訳）: 癌予後のためのグラフトランスフォーマーを用いたパス埋め込み
• Authors: Koushik Howlader, Md Tauhidul Islam, Wei Le,
• Abstract要約: 本稿では,遺伝子組換え戦略であるPATHを紹介する。 PATHは、各遺伝子に対する共有塩基の埋め込みから始めることでパラダイムシフトを表す。 PATHのF1スコアは0.8766で、現在のSOTAマルチオミクスベンチマークよりも8.8%改善している。
• 参考スコア（独自算出の注目度）: 12.185038682072213
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate prediction of cancer progression remains a challenge due to the high heterogeneity of molecular omics data across patients. While biologically informed models have improved the interpretability of these predictions, a persistent limitation lies in how they encode individual genes to construct pathway representations. Existing hierarchical models typically derive gene features by directly mapping raw molecular inputs, whereas integration frameworks often rely on simple statistical aggregations of patient-level signals. These approaches often fail to explicitly learn a shared base representation for each gene, thereby limiting the expressiveness and biological accuracy of downstream pathway embeddings. To address this, we introduce PATH, a modulation-based, patient-conditioned gene embedding strategy. PATH represents a paradigm shift by starting from a shared base embedding for each gene, preserving a stable biological identity across the population, and then dynamically adapting it using patient-specific copy number variation (CNV) and mutation signals. This allows the model to capture subtle individual molecular variations while maintaining a consistent latent understanding of the gene itself. We integrate PATH into a graph transformer framework that models interactions among biologically connected pathways through pathway-guided attention. Across pancancer metastasis prediction, PATH achieves an F1 score of 0.8766, representing an 8.8 percent improvement over the current SOTA multi-omics benchmarks. Beyond superior predictive accuracy, our approach identifies biologically meaningful pathways and, crucially, reveals disease-state-specific pathway rewiring, offering new insights into the evolving pathway-pathway interactions that drive cancer progression.
• Abstract（参考訳）: がん進行の正確な予測は、患者間での分子オミクスデータの均一性が高いため、依然として課題である。 生物学的に情報を得たモデルはこれらの予測の解釈可能性を改善する一方で、個々の遺伝子をコードして経路表現を構築する方法には永続的な制限がある。 既存の階層モデルは通常、生分子の入力を直接マッピングすることによって遺伝子の特徴を導出するが、統合フレームワークは患者レベルの信号の単純な統計集約に依存することが多い。 これらのアプローチは、しばしば、各遺伝子の共有基底表現を明示的に学習せず、下流経路の埋め込みの表現性と生物学的精度を制限している。 そこで我々はPATH(Modulation-based, patient-conditioned gene embedding strategy)を紹介した。 PATHは、各遺伝子に対する共有塩基の埋め込みから始まり、個体群全体で安定した生物学的アイデンティティを保持し、患者固有のコピー番号変異(CNV)と突然変異信号を用いて動的に適応することでパラダイムシフトを表す。 これにより、モデルは、遺伝子自体の一貫性のある潜伏的な理解を維持しながら、微妙な個々の分子の変動を捉えることができる。 PATHをグラフトランスフォーマー・フレームワークに統合し,生物学的に結合した経路間の相互作用を経路誘導の注意を通してモデル化する。 膵転移予測では、PATHはF1スコア0.8766を達成し、現在のSOTAマルチオミクスベンチマークよりも8.8%改善している。 より優れた予測精度の他に、生物学的に有意義な経路を特定し、重要なことに、がん進行を促進する経路と経路の相互作用に関する新たな洞察を提供する病状特異的経路のリウィリングを明らかにする。

関連論文リスト

• Graph Attention Based Prioritization of Disease Responsible Genes from Multimodal Alzheimer's Network [20.37811669228711]
  疾患関連遺伝子の優先順位付けはアルツハイマー病などの複雑な疾患の理解の中心である。 我々は,集中度指標を注目度スコアに置き換えるマルチモーダルグラフトランスフォーマフレームワークである.NETRAを提案する。 グラフ変換器は、疾患特異的でコンテキスト対応の方法で遺伝子関連性を定量化する.NETRAスコアを割り当てる。
  論文  参考訳（メタデータ） (2026-03-01T06:46:18Z)
• R-GenIMA: Integrating Neuroimaging and Genetics with Interpretable Multimodal AI for Alzheimer's Disease Progression [63.97617759805451]
  アルツハイマー病の早期発見には、マクロスケールの神経解剖学的変化とマイクロスケールの遺伝的感受性を統合できるモデルが必要である。 本稿では,新しいROIワイド・ビジョン・トランスフォーマと遺伝的プロンプトを結合した多モード多言語モデルR-GenIMAを紹介する。 R-GenIMAは、通常の認知、主観記憶、軽度認知障害、ADの4方向分類において最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-22T02:54:10Z)
• PEaRL: Pathway-Enhanced Representation Learning for Gene and Pathway Expression Prediction from Histology [8.879502752288325]
  本稿では PEaRL (Pathway Enhanced Representation Learning) について述べる。 3つのがんSTデータセット全体でPEaRLはSOTA法を一貫して上回り、遺伝子レベルでの発現予測と経路レベルでの表現予測の精度が向上した。
  論文  参考訳（メタデータ） (2025-10-03T19:21:23Z)
• PathGene: Benchmarking Driver Gene Mutations and Exon Prediction Using Multicenter Lung Cancer Histopathology Image Dataset [10.326278779332219]
  肺癌における遺伝子変異、変異サブタイプおよびそれらのエクソンの正確な予測は、パーソナライズされた治療計画と予後評価に重要である。 病理組織像と次世代シークエンシングレポートを組み合わせたPathGeneを収集した。 このマルチセンターデータセットは、全スライディングイメージをドライバ遺伝子変異状態、突然変異サブタイプ、エキソン、腫瘍突然変異負担(TMB)ステータスにリンクする。
  論文  参考訳（メタデータ） (2025-05-30T11:51:11Z)
• Biological Pathway Guided Gene Selection Through Collaborative Reinforcement Learning [25.2831953927341]
  多エージェント強化学習(MARL)を用いた統計的選択と生物学的経路知識を統合する新しい枠組みを提案する。 本フレームワークは,グラフニューラルネットワークによる状態表現による経路知識,遺伝子中心性と経路被覆性を組み合わせた報酬機構,共有メモリと集中的批判コンポーネントを用いた協調学習戦略を取り入れた。
  論文  参考訳（メタデータ） (2025-05-30T03:01:07Z)
• GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype [51.58774936662233]
  遺伝子制御ネットワーク(GRN)の構築は、遺伝的摂動の影響を理解し予測するために不可欠である。 本研究では,事前学習した大規模言語モデルとDNAシークエンスモデルを用いて,遺伝子記述やDNAシークエンスデータから特徴を抽出する。 我々は、遺伝子摂動において初めて遺伝子バイオタイプ情報を導入し、細胞プロセスの制御において異なるバイオタイプを持つ遺伝子の異なる役割をシミュレートした。
  論文  参考訳（メタデータ） (2025-05-06T03:35:24Z)
• 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)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)

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。