論文の概要: EssentialGIN: a new approach for gene essentiality prediction based on graph isomorphism neural networks

• arxiv url: http://arxiv.org/abs/2606.07700v1
• Date: Fri, 05 Jun 2026 08:43:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.292007
• Title: EssentialGIN: a new approach for gene essentiality prediction based on graph isomorphism neural networks
• Title（参考訳）: EssentialGIN:グラフ同型ニューラルネットワークに基づく遺伝子必須性予測の新しいアプローチ
• Authors: Sahar Mansouri-Rad, Zahra Narimani, Parvin Razzaghi, Nazanin Hosseinkhan,
• Abstract要約: 必須遺伝子(タンパク質)の予測は基本的で難しい問題である。 深層学習と生物学的情報の統合は、近年の研究で必須遺伝子を特定するために用いられている。 本研究では,タンパク質をPPIネットワークのノードとして埋め込むため,グラフ同型ネットワークに着目した。
• 参考スコア（独自算出の注目度）: 1.2599533416395763
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Background: Prediction of essential genes (proteins), is a basic and challenging problem but at the same time very costly and time-consuming in wet-lab experiments. Predicting essential genes, only based on computational methods (to introduce wet-lab candidates) using centrality measures are not accurate and result in large number of false positives; therefore, more complex models such as deep learning and also integration of biological information are used in recent research to identify essential genes. Methods: In this work we focus on graph isomorphism networks, in order to embed proteins as a node in PPI network to conserve topological features of PPI network, and also integrate biological data such as gene expression data, gene orthology information and gene subcellular localization information, and introduced a deep architecture for predicting essential genes. Graph isomorphism network architecture is modified in this work for embedding node information. Results: Our experiments proved that the proposed method outperforms baseline centrality-based methods and also machine learning based methods such as Node2Vec, MLP, and also graph attention networks (GAT). Conclusion: In this paper we observed that using graph isomorphism networks that integrate biological data (as node attributes) and preserve network topology can significantly improve the essential gene prediction accuracy. In simpler organisms such as E. coli and D. melanogaster, methods such as multi-layer perceptron using Node2Vec embedding also performs very good, but in H. sapiens the introduced architecture significantly outperforms deep learning and other graph neural network solutions. Keywords: Essential gene prediction, graph neural network, graph isomorphism network, PPI network, node embedding
• Abstract（参考訳）: 背景: 必須遺伝子(タンパク質)の予測は基本的な問題であり、同時にウェットラブ実験において非常にコストと時間を要する。 集中度測定を用いた計算手法(ウェットラブ候補の導入)のみに基づく必須遺伝子の予測は正確ではなく、多数の偽陽性をもたらすため、近年の研究では、深層学習や生物学的情報の統合といったより複雑なモデルを用いて重要な遺伝子を同定している。 方法:本研究では,PPIネットワークのトポロジ的特徴を保存するため,タンパク質をノードとしてPPIネットワークに埋め込むとともに,遺伝子発現データ,遺伝子直交情報,遺伝子細胞内局在情報などの生物学的データを統合し,必須遺伝子を予測するための深いアーキテクチャを導入する。 グラフ同型ネットワークアーキテクチャは、ノード情報を埋め込むためにこの作業で修正される。 結果: 提案手法は, ベースライン集中度に基づく手法と, Node2Vec, MLP, グラフアテンションネットワーク (GAT) などの機械学習に基づく手法よりも優れていることを示した。 結論: 本論文では, 生物学的データ(ノード属性)を統合し, ネットワークトポロジを保存するグラフ同型ネットワークを用いることで, 必須遺伝子予測精度が大幅に向上することを示した。 E. coli や D. melanogaster のような単純な有機体では、Node2Vec の埋め込みを用いた多層パーセプトロンのような手法も非常によく機能するが、H. sapiens では、導入したアーキテクチャはディープラーニングや他のグラフニューラルネットワークソリューションよりも大幅に優れている。 キーワード:本質的な遺伝子予測、グラフニューラルネットワーク、グラフ同型ネットワーク、PPIネットワーク、ノード埋め込み

関連論文リスト

• engGNN: A Dual-Graph Neural Network for Omics-Based Disease Classification and Feature Selection [5.54797146496798]
  グラフニューラルネットワーク(GNN)は、機能関係をグラフとしてエンコーディングすることで、事前知識を統合するための有望な手段を提供する。 本稿では,外部生物ネットワークとデータ駆動型生成グラフを併用したデュアルグラフフレームワークである,外部で生成したグラフニューラルネットワーク(engGNN)を提案する。 engGNNは一貫して最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-01-20T23:18:56Z)
• 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)
• Predicting Biomedical Interactions with Probabilistic Model Selection for Graph Neural Networks [5.156812030122437]
  現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、そのような相互作用の実験的同定には時間と費用がかかる。 ディープグラフニューラルネットワークは、グラフ構造データモデリングの有効性を示し、バイオメディカル相互作用予測において優れた性能を達成した。 提案手法により,グラフ畳み込みネットワークは,その深度を動的に適応し,対話数の増加に対応することができる。
  論文  参考訳（メタデータ） (2022-11-22T20:44:28Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• 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)
• EPGAT: Gene Essentiality Prediction With Graph Attention Networks [1.1602089225841632]
  グラフ注意ネットワーク(GAT)に基づく本質性予測手法であるEPGATを提案する。 本モデルでは,PPIネットワークから遺伝子必須性のパターンを直接学習し,ノード属性として符号化されたマルチオミクスデータから追加のエビデンスを統合する。 ヒトを含む4種の生物に対するEPGATをベンチマークし、AUCスコア0.78から0.97の範囲で遺伝子本質を正確に予測した。
  論文  参考訳（メタデータ） (2020-07-19T13:47:15Z)
• A Graph Feature Auto-Encoder for the Prediction of Unobserved Node Features on Biological Networks [3.132875765271743]
  我々は,E. Coli とマウスにおける生物学的相互作用ネットワークの表現について,グラフニューラルネットワークを用いて検討した。 そこで我々は,機能再構築タスクに基づいて学習した,エンドツーエンドのグラフ機能自動エンコーダを提案する。 自動エンコーダはタンパク質相互作用情報を使用しない最先端の計算手法より優れていた。
  論文  参考訳（メタデータ） (2020-05-08T11:23:04Z)

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。