論文の概要: Graph neural network explanations reveal a topological signature of disease-associated hubs in biological networks

• arxiv url: http://arxiv.org/abs/2605.21502v1
• Date: Fri, 08 May 2026 15:29:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 12:34:33.991735
• Title: Graph neural network explanations reveal a topological signature of disease-associated hubs in biological networks
• Title（参考訳）: グラフニューラルネットワークの説明から、生物学的ネットワークにおける疾患関連ハブのトポロジカルな特徴が明らかになる
• Authors: Kyle Higgins, Ivan Laponogov, Dennis Veselkov, Kirill Veselkov,
• Abstract要約: 乳癌RNA-seqデータにおける疾患関連構造の同定に広く用いられている4つのアプローチについて検討した。 説明手法が異なる信号組織を復元することを示す。 本稿では,シェルベースハブスコアと説明者間のコンセンサスランキングを組み合わせたフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) are increasingly used to model biological systems, yet the reliability of post-hoc explanation methods for recovering meaningful molecular mechanisms remains unclear. Here, we systematically evaluate four widely used approaches: Saliency Attribution (SA), Integrated Gradients (IG), GNNExplainer, and Layer-wise Relevance Propagation (LRP) for identifying disease-relevant structure in breast cancer RNA-seq data projected onto a protein-protein interaction network. Using synthetic benchmarks with known ground-truth motifs, we show that explanation methods recover distinct signal organizations: SA performs best for sparse single-node drivers, whereas IG and LRP preferentially recover distributed pathway-like and cascade-like signals. In TCGA BRCA data, we identify a consistent topological signature of disease-associated hubs in which attribution peaks in the immediate 1-hop neighborhood and decays across successive network shells, a pattern most pronounced for IG and LRP and associated with strong enrichment of known cancer hubs. We further observe a trade-off between local hub enrichment and global gene ranking performance, with IG optimizing local enrichment and SA achieving superior global discrimination. Motivated by these complementary behaviors, we introduce a framework combining a shell-based hub score with consensus ranking across explainers. Consensus scores improve prioritization of canonical cancer genes (TP53, BRCA1, ESR1, MYC), reduce dependence on node degree, and, especially when tuned, outperform individual methods. Pathway enrichment further reveals improved recovery of biologically coherent cancer programs, including ERBB2, RTK, MAPK, immune, and cytokine signaling. Together, these results demonstrate that topology-aware integration of graph explanations can improve biological interpretability and biologically relevant molecular recovery.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、生物学的システムのモデル化にますます利用されているが、意味のある分子機構を回復するためのポストホックな説明法の信頼性は未だ不明である。 そこで我々は, 乳がんRNA-seqデータからタンパク質間相互作用ネットワークに投影された疾患関連構造を特定するために, SA(Saliency Attribution), IG(Integrated Gradients), GNNExplainer(GNNExplainer), LRP(Layer-wise Relevance Propagation)の4つの手法を体系的に評価した。 SAは単一ノードドライバに最適であり,IGとLRPは分散経路やカスケードのような信号を優先的に回収する。 TCGA BRCAデータでは,病気関連ハブの一貫したトポロジカルな特徴を同定し,アトリビューションが即時1ホップ近傍でピークに達し,連続するネットワークシェルにまたがって崩壊する。 さらに、局所的なハブ富化とグローバルな遺伝子ランキング性能のトレードオフを観測し、IGは局所的な富化を最適化し、SAはより優れたグローバルな差別を実現する。 これらの相補的な振る舞いを動機として、シェルベースハブスコアと説明者間でのコンセンサスランキングを組み合わせたフレームワークを導入する。 コンセンサススコアは、標準癌遺伝子(TP53、BRCA1、ESR1、MYC)の優先順位付けを改善し、ノード次数への依存を減少させ、特に調整された場合、個々の方法よりも優れる。 経路の富化により、ERBB2、RTK、MAPK、免疫、サイトカインシグナリングを含む生物学的に整合したがんプログラムの回復がさらに改善される。 これらの結果は、トポロジに配慮したグラフ説明の統合により、生物学的解釈可能性や生物学的に関連する分子の回復が向上することを示した。

関連論文リスト

• PPI-Net connects molecular protein interactions to functional processes in disease [0.0]
  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。
  論文  参考訳（メタデータ） (2026-05-08T15:04:28Z)
• Hierarchical Pooling and Explainability in Graph Neural Networks for Tumor and Tissue-of-Origin Classification Using RNA-seq Data [0.19336815376402716]
  The Cancer Genome Atlasの遺伝子発現データとSTRINGタンパク質-タンパク質相互作用ネットワークを組み合わせ、組織の起源を分類する。 このモデルは、チェビシェフグラフ畳み込み(K=2)と重み付けされたプール層を使用し、複数の粗いレベルにわたって遺伝子クラスターを「スーパーノード」に集約する。 がんに関連する重要な遺伝子と生物学的過程を同定し, モデルを理解するために, 塩分濃度法を適用した。
  論文  参考訳（メタデータ） (2026-01-10T01:33:56Z)
• 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)
• Soft-Evidence Fused Graph Neural Network for Cancer Driver Gene Identification across Multi-View Biological Graphs [8.230375557003832]
  癌ドライバ遺伝子(CDG)の同定は、がんのメカニズムを理解し、標的治療を開発するために不可欠である。 グラフニューラルネットワーク(GNN)は、生体相互作用ネットワークのパターンをキャプチャすることでCDGを識別するために最近採用されている。 決定レベルで複数のネットワークにまたがるCDG識別のための新しいフレームワークであるSEFGNN(Soft-Evidence Fusion Graph Neural Network)を提案する。
  論文  参考訳（メタデータ） (2025-10-07T05:20:57Z)
• LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
  本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
  論文  参考訳（メタデータ） (2024-08-30T16:26:04Z)
• 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)
• Histo-Genomic Knowledge Distillation For Cancer Prognosis From Histopathology Whole Slide Images [7.5123289730388825]
  ゲノムインフォームドハイパーアテンションネットワーク(G-HANet)は、トレーニング中にヒストリーゲノム知識を効果的に蒸留することができる。 ネットワークは、クロスモーダル・アソシエーション・ブランチ(CAB)とハイパーアテンション・サバイバル・ブランチ(HSB)から構成される。
  論文  参考訳（メタデータ） (2024-03-15T06:20:09Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• 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)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
  グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。 半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。 実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
  論文  参考訳（メタデータ） (2020-07-05T08:16:03Z)

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。