論文の概要: Graph Neural Network based Hierarchy-Aware Embeddings of Knowledge Graphs: Applications to Yeast Phenotype Prediction

• arxiv url: http://arxiv.org/abs/2605.03690v1
• Date: Tue, 05 May 2026 12:34:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.932036
• Title: Graph Neural Network based Hierarchy-Aware Embeddings of Knowledge Graphs: Applications to Yeast Phenotype Prediction
• Title（参考訳）: グラフニューラルネットワークに基づく知識グラフの階層型埋め込み:イーストフェノタイプ予測への応用
• Authors: Filip Kronström, Alexander H. Gower, Daniel Brunnsåker, Ievgeniia A. Tiukova, Ross D. King,
• Abstract要約: ニューラルネットワーク(GNN)を用いた知識グラフ(KG)の階層性を考慮した埋め込みを見つける手法を提案する。 酵母Saccharomyces ceaevisiaeの遺伝子欠失の影響を予測し,学習する。 GNNと組み合わされた低次元酵母の埋め込みは、二重遺伝子ノックアウトの細胞増殖を予測するために用いられる。
• 参考スコア（独自算出の注目度）: 36.94429692322632
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a method for finding hierarchy-aware embeddings of knowledge graphs (KGs) using graph neural networks (GNNs) enriched with a semantic loss derived from underlying ontologies. This method yields embeddings that better reflect domain knowledge. To demonstrate their utility, we predict and interpret the effects of gene deletions in the yeast Saccharomyces cerevisiae and learn box embeddings for KGs in the absence of a prediction task. We further show how box embeddings can serve as the basis for evaluating KG revisions. Our yeast KG is constructed from community databases and ontology terms. Low-dimensional box embeddings combined with GNNs are used to predict cell growth for double gene knockouts. Over 10-fold cross validation, these predictions have a mean $R^2$~score~of~0.360, significantly higher than baseline comparisons, demonstrating that high-level qualitative knowledge is informative about experimental outcomes. Incorporating semantic loss terms in the training of the models improves their predictive performance ($R^2$=0.377) by aligning embeddings with ontology structure. This shows that class hierarchies from ontologies can be exploited for quantitative prediction. We also test the trained models on triple gene knockouts, showing they generalise to data beyond those seen in training. Additionally, by identifying co-occurring relations in the yeast KG important for the cell-growth predictions, we construct hypotheses about interacting traits in yeast. A biological experiment validates one such finding, revealing an association between inositol utilisation and osmotic stress resistance, highlighting the model's potential to guide biological discovery.
• Abstract（参考訳）: 本稿では,グラフニューラルネットワーク(GNN)を用いた知識グラフ(KG)の階層性を考慮した埋め込みを見つける手法を提案する。 この方法はドメイン知識をよりよく反映した埋め込みをもたらす。 それらの有用性を実証するため,酵母Saccharomyces cerevisiaeにおける遺伝子欠失の影響を予測・解釈し,予測タスクがない場合にKGsのボックス埋め込みを学習する。 さらに,ボックス埋め込みがKGリビジョン評価の基盤となることを示す。 我々の酵母KGは、コミュニティデータベースとオントロジーの用語で構築されている。 GNNと組み合わされた低次元ボックス埋め込みは、二重遺伝子ノックアウトのための細胞増殖を予測するために用いられる。 10倍のクロス検証では、これらの予測は平均$R^2$~score~of~0.360であり、ベースライン比較よりもかなり高く、高いレベルの質的知識が実験結果に有益であることを示した。 モデルのトレーニングに意味損失項を組み込むことで、埋め込みをオントロジー構造と整合させることで、予測性能(R^2$=0.377)が向上する。 このことは、オントロジーのクラス階層が定量的な予測に利用できることを示している。 また、3つの遺伝子ノックアウトでトレーニングされたモデルをテストし、トレーニングで見られる以上のデータに一般化することを示した。 さらに、細胞増殖予測に重要な酵母KGの共起関係を同定することにより、酵母の相互作用形質に関する仮説を構築した。 生物学的実験は、イノシトールの使用と浸透圧抵抗の関係を明らかにし、モデルが生物学的発見を導く可能性を明らかにする。

関連論文リスト

• Interpretable Perturbation Modeling Through Biomedical Knowledge Graphs [2.9275990558029075]
  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。
  論文  参考訳（メタデータ） (2025-12-24T04:42:25Z)
• Graph Stochastic Neural Process for Inductive Few-shot Knowledge Graph Completion [63.68647582680998]
  I-FKGC(inductive few-shot knowledge graph completion)と呼ばれる課題に焦点をあてる。 帰納的推論(inductive reasoning)の概念に着想を得て,I-FKGCを帰納的推論問題とした。 本稿では,仮説の連成分布をモデル化したニューラルプロセスに基づく仮説抽出器を提案する。 第2のモジュールでは、この仮説に基づいて、クエリセットのトリプルが抽出された仮説と一致するかどうかをテストするグラフアテンションベースの予測器を提案する。
  論文  参考訳（メタデータ） (2024-08-03T13:37:40Z)
• Product Manifold Representations for Learning on Biological Pathways [11.648390807320617]
  非ユークリッド混合曲率空間における埋め込み経路グラフの効果について検討する。 学習ノード埋め込みを用いて教師付きモデルを訓練し、経路グラフにおけるタンパク質とタンパク質の相互作用の欠如を予測する。
  論文  参考訳（メタデータ） (2024-01-27T18:46:19Z)
• 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)
• Knowledge Graph Completion based on Tensor Decomposition for Disease Gene Prediction [2.838553480267889]
  疾患や遺伝子を中心とした生物学的知識グラフを構築し,疾患発生予測のためのエンドツーエンドの知識グラフ補完モデルを構築した。 KDGeneは、実体の埋め込みとテンソル分解との関係の間の相互作用モジュールを導入し、生物学的知識における情報相互作用を効果的に強化する。
  論文  参考訳（メタデータ） (2023-02-18T13:57:44Z)
• Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model [64.29487107585665]
  脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。 本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。 また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
  論文  参考訳（メタデータ） (2022-07-14T20:03:52Z)
• 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)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• XOmiVAE: an interpretable deep learning model for cancer classification using high-dimensional omics data [17.697184123548503]
  我々は,高次元オミクスデータを用いた癌分類のための新しい解釈可能な深層学習モデルXOmiVAEを提案する。 XOmiVAEは、特定の予測のために各遺伝子と潜伏次元の寄与値を得ることができる。 また、XOmiVAEは、教師なし分類と教師なしクラスタリングの結果の両方をディープラーニングネットワークから説明できることを明らかにした。
  論文  参考訳（メタデータ） (2021-05-26T19:55:12Z)

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。