論文の概要: PPI-Net connects molecular protein interactions to functional processes in disease

• arxiv url: http://arxiv.org/abs/2605.07838v1
• Date: Fri, 08 May 2026 15:04:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.141756
• Title: PPI-Net connects molecular protein interactions to functional processes in disease
• Title（参考訳）: PPI-Netは疾患のタンパク質相互作用と機能的過程を結合する
• Authors: Kyle Higgins, Guadalupe Gonzalez, Dennis Veselkov, Ivan Laponogov, Kirill Veselkov,
• Abstract要約: PPI-Netは、タンパク質とタンパク質の相互作用ネットワークと経路レベルの表現を統合する階層的なグラフニューラルネットワークである。 患者固有の分子プロファイルはSTRINGの共有相互作用ネットワークに埋め込まれている。 PPI-Netは、複数のコホートで90%を超える精度で、堅牢な予測性能を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding how molecular alterations propagate across biological systems to drive disease remains a central challenge. Although high-throughput profiling enables comprehensive characterization of tumor states, most models neglect structured biological relationships or lack interpretability across scales. Here we present PPI-Net, a hierarchical graph neural network that integrates protein-protein interaction (PPI) networks with pathway-level representations to model disease from molecular interactions to functional processes. Patient-specific molecular profiles are embedded within a shared interaction network from STRING and propagated through a multi-layer Reactome hierarchy using graph attention, enabling aggregation of gene-level signals into higher-order biological programs. Across RNA-seq data from ten cancer types from The Cancer Genome Atlas, PPI-Net achieves robust predictive performance, with balanced accuracy exceeding 90% in multiple cohorts. Comparative analysis on RNA-Seq data from breast cancer demonstrated that PPI-Net's integration of the Reactome hierarchy improved balanced accuracy by 6.7% relative to a PPI-only model, while hierarchical multi-level supervision improved balanced accuracy by 12.3% relative to using only a single top-level prediction head. Applying a multi-omics approach using RNA-seq and methylation data improves model interpretation, recovering canonical oncogenic modules, including TP53-AKT signaling and stress response pathways, while revealing convergence onto coherent programs such as ion signaling and cellular responses to stimuli. These results demonstrate that integrating interaction networks with pathway hierarchies enables accurate prediction while providing mechanistic insight into cancer biology.
• Abstract（参考訳）: 生物学的システムを横断して病気を起こさせる分子の変化がどのように伝播するかを理解することは、依然として中心的な課題である。 高スループットプロファイリングは腫瘍状態の包括的解析を可能にするが、ほとんどのモデルは構造的生物学的関係を無視したり、スケールにわたって解釈可能性に欠ける。 本稿では,タンパク質-タンパク質相互作用(PPI)ネットワークと経路レベルの表現を統合し,分子間相互作用から機能的プロセスに至るまでの疾患をモデル化する階層型グラフニューラルネットワークであるPPI-Netを提案する。 患者固有の分子プロファイルは、STRINGから共有相互作用ネットワークに埋め込まれ、グラフアテンションを用いて多層Reactome階層を介して伝播し、高次生物学的プログラムへの遺伝子レベルのシグナルの集約を可能にする。 The Cancer Genome Atlasの10種類の癌からのRNA-seqデータ全体で、PPI-Netは、複数のコホートで90%を超える精度で、堅牢な予測性能を達成する。 乳がんからのRNA-Seqデータの比較分析では、PPI-NetのReactome階層の統合により、PPIのみのモデルと比較して精度が6.7%向上した。 RNA-seqとメチル化データを用いたマルチオミクスアプローチの適用は、モデル解釈を改善し、TP53-AKTシグナルやストレス応答経路を含む正準癌原性モジュールを回収し、イオンシグナルや細胞応答などのコヒーレントなプログラムへの収束を明らかにする。 これらの結果は, 相互作用ネットワークと経路階層を統合することで, 癌生物学の機械的知見を提供しながら正確な予測が可能になることを示唆している。

関連論文リスト

• Modeling Dabrafenib Response Using Multi-Omics Modality Fusion and Protein Network Embeddings Based on Graph Convolutional Networks [0.0]
  標的治療に対するがん細胞の反応は複雑な分子相互作用から生じ、単一のオミクスが正確な予測には不十分である。 本研究は, グラフ畳み込みネットワーク(GCN)を用いて生成したタンパク質ネットワーク埋め込みと複数のオミクス層(ゲノム, 転写学, エピジェノミクス, 代謝学)を統合することにより, ダブラフェニブ感受性を予測するモデルを開発した。 以上の結果から,GCNを併用したマルチオミクス融合は薬物反応予測を改善し,Dabrafenib感受性の相補的分子決定因子を明らかにすることが示唆された。
  論文  参考訳（メタデータ） (2025-12-13T02:00:56Z)
• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• 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)
• PRING: Rethinking Protein-Protein Interaction Prediction from Pairs to Graphs [88.98041407783502]
  PRINGは、タンパク質とタンパク質の相互作用予測をグラフレベルで評価する最初のベンチマークである。 PRINGは、21,484タンパク質と186,818の相互作用からなる高品質な多種PPIネットワークデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-07-07T15:21:05Z)
• 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)
• Dumpling GNN: Hybrid GNN Enables Better ADC Payload Activity Prediction Based on Chemical Structure [53.76752789814785]
  DumplingGNNは、化学構造に基づいてADCペイロードのアクティビティを予測するために特別に設計された、ハイブリッドなグラフニューラルネットワークアーキテクチャである。 DNAトポイソメラーゼIインヒビターに着目した包括的ADCペイロードデータセットで評価を行った。 特別なADCペイロードデータセットに対して、例外的な精度(91.48%)、感度95.08%)、特異性(97.54%)を示す。
  論文  参考訳（メタデータ） (2024-09-23T17:11:04Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity [52.67037774136973]
  薬物発見はタンパク質-リガンド結合親和性の予測にしばしば依存する。 近年の進歩は、タンパク質-リガンド複合体の表現を学習することで、グラフニューラルネットワーク(GNN)をより良い親和性予測に応用する大きな可能性を示している。 ポーラインスパイアグラフアテンション層(PGAL)とペア・インタラクティブ・プール(PiPool)の2つのコンポーネントから構成される構造対応型インタラクティブグラフニューラルネットワーク(SIGN)を提案する。
  論文  参考訳（メタデータ） (2021-07-21T03:34:09Z)

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。