論文の概要: PathMoG: A Pathway-Centric Modular Graph Neural Network for Multi-Omics Survival Prediction

• arxiv url: http://arxiv.org/abs/2604.24371v1
• Date: Mon, 27 Apr 2026 12:05:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.974655
• Title: PathMoG: A Pathway-Centric Modular Graph Neural Network for Multi-Omics Survival Prediction
• Title（参考訳）: PathMoG:マルチオミクス生存予測のための経路中心型モジュールグラフニューラルネットワーク
• Authors: Di Wang, Chupei Tang, Junxiao Kong, Jixiu Zhai, Moyu Tang, Tianchi Lu,
• Abstract要約: 経路中心のモジュールグラフニューラルネットワークであるPathMoGを提案する。 PathMoGはゲノム規模の入力を354KEGGインフォームド・パス・モジュールに再編成する。 TCGA10型5,650例のPathMoGについて検討し, 生存ベースラインに対する一貫した改善を認めた。
• 参考スコア（独自算出の注目度）: 3.198059550354872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cancer survival prediction from multi-omics data remains challenging because prognostic signals are high-dimensional, heterogeneous, and distributed across interacting genes and pathways. We propose PathMoG, a pathway-centric modular graph neural network for multi-omics survival prediction. PathMoG reorganizes genome-scale inputs into 354 KEGG-informed pathway modules, introduces a Hierarchical Omics Modulation module to condition gene-expression representations on mutation, copy number variation, pathway, and clinical context, and uses dual-level attention to capture both intra-pathway driver signals and inter-pathway clinical relevance. We evaluated PathMoG on 5,650 patients across 10 TCGA cancer types and observed consistent improvements over representative survival baselines. The framework further provides gene-level, pathway-level, and patient-level interpretability, supporting biologically grounded and clinically relevant risk stratification.
• Abstract（参考訳）: 予後信号は高次元で不均一であり、相互作用する遺伝子や経路に分散しているため、マルチオミクスデータからのがん生存予測は依然として困難である。 経路中心のモジュールグラフニューラルネットワークであるPathMoGを提案する。 PathMoGは、ゲノム規模の入力を354 KEGGインフォームド・パス・モジュールに再編成し、変異、コピー数の変化、経路、臨床状況に関する遺伝子の発現を条件付ける階層的Omics Modulationモジュールを導入し、経路内ドライバ信号と経路間臨床関連の両方を捉えるために二重レベルの注意を払っている。 TCGA10型5,650例のPathMoGについて検討し, 生存ベースラインに対する一貫した改善を認めた。 このフレームワークはさらに、遺伝子レベル、経路レベル、および患者レベルの解釈可能性を提供し、生物学的基盤および臨床的に関連するリスク層化をサポートする。

関連論文リスト

• Graph Transformer-Based Pathway Embedding for Cancer Prognosis [12.185038682072213]
  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。
  論文  参考訳（メタデータ） (2026-04-17T20:41:58Z)
• Tissue Classification and Whole-Slide Images Analysis via Modeling of the Tumor Microenvironment and Biological Pathways [8.769975787914115]
  BioMorphNetは組織形態と空間的遺伝子発現を自動的に統合するマルチモーダルネットワークである。 BioMorphNetは、腫瘍の局在をサポートするためにWSI内の組織カテゴリを正確に分類するだけでなく、組織カテゴリ間の異なる遺伝子発現を分析する。 最新の遺伝子多型法と比較すると、BioMorphNetの平均分類基準は前立腺癌、大腸癌、乳癌のデータセットに対して2.67%、5.48%、および6.29%改善している。
  論文  参考訳（メタデータ） (2026-01-13T08:53:58Z)
• 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)
• 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)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
  そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。 PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。 腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
  論文  参考訳（メタデータ） (2024-04-11T09:07:40Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。