論文の概要: Predicting Therapeutic Outcome via Aligning Patient-Specific Knowledge Graph and Gene-Level Perturbation Representations

• arxiv url: http://arxiv.org/abs/2607.04557v1
• Date: Mon, 06 Jul 2026 00:10:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.979093
• Title: Predicting Therapeutic Outcome via Aligning Patient-Specific Knowledge Graph and Gene-Level Perturbation Representations
• Title（参考訳）: 患者特有の知識グラフと遺伝子レベル摂動表現による治療効果の予測
• Authors: Dongmin Bang, Sugyun An, Inyoung Sung, Ilho Yun, Sun Kim, Sangseon Lee,
• Abstract要約: PreDIKTORは、パーソナライズされたネットワークビューと転送可能なトランスクリプトーム摂動ビューを調整し、臨床薬効を予測する。 TCGAでは、PrediKTORは一貫して最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 8.993049322779862
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of patient-specific therapeutic response from pre-treatment transcriptomes is hindered by the scarcity of matched clinical response labels and post-treatment molecular profiles. Preclinical transfer-learning models can simulate drug-induced expression changes but are often hard to interpret and unstable, whereas knowledge-graph methods provide mechanistic context yet remain static and fail to capture drug-induced transcriptomic perturbation dynamics. We propose PREDIKTOR, a patient-centered multi-view framework that aligns a personalized network view with a transferable transcriptomic perturbation view to predict clinical drug response. For each patient, we construct an individualized gene regulatory network from tumor expression using DysRegNet and augment it with drug-target links from DrugBank; a graph neural encoder yields a drug-centric, mechanistically grounded embedding. In parallel, a frozen condition-specific gene-gene attention model pretrained on LINCS L1000 generates a simulated post-perturbation transcriptomic profile for the same patient-drug pair. We align the two views in a shared latent space via a CLIP-style contrastive objective with drug-context hard negatives, then concatenate the representations for end-to-end response classification. On TCGA, PREDIKTOR consistently outperforms state-of-the-art baselines under patient-, drug-, and tissue-split evaluations, and transfers zero-shot to the I-SPY2 trial, improving AUROC by 5.6% over competing methods. The aligned embeddings yield stable gene and pathway attributions that recover known mechanisms, supporting actionable and interpretable precision oncology.
• Abstract（参考訳）: 治療前のトランスクリプトームからの患者特異的治療反応の正確な予測は、一致した臨床反応ラベルと治療後の分子プロファイルの不足によって妨げられる。 事前転写学習モデルは、薬物による発現変化をシミュレートすることができるが、解釈が困難で不安定な場合が多いが、知識グラフ法は機械的文脈を提供するが、静的であり、薬物による経時的摂動のダイナミクスを捉えることができない。 本稿では,患者中心のマルチビューフレームワークであるPreDIKTORを提案する。 各患者に対して、DysRegNetを用いて腫瘍発現から個別化された遺伝子制御ネットワークを構築し、ドラッグバンクからの薬物標的リンクを増強し、グラフニューラルエンコーダは、薬物中心の機械的に接地された埋め込みをもたらす。 並行して、LINCS L1000で事前訓練された凍結条件特異的遺伝子・遺伝子アテンションモデルが、同じ患者・薬物ペアに対する模擬摂動後転写プロファイルを生成する。 この2つの視点は、CLIPスタイルのコントラスト目的と薬物コンテキストのハードネガティブとを併用し、エンドツーエンドの応答分類のための表現を結合する。 TCGAでは、PreDIKTORは患者、薬物、組織分離の評価において常に最先端のベースラインを上回り、ゼロショットをI-SPY2臨床試験に転送し、競合する方法よりもAUROCを5.6%向上させる。 配列された埋め込みは、既知のメカニズムを回復する安定な遺伝子と経路の属性をもたらし、実行可能で解釈可能な精度のオンコロジーをサポートする。

関連論文リスト

• Sample-Efficient Adaptation of Drug-Response Models to Patient Tumors under Strong Biological Domain Shift [0.2939891130492345]
  本研究は,患者データへの薬物応答モデルのよりサンプル効率の高い適応を可能にするために,表象学習をタスク管理から明確に分離するか否かを検討する。 本稿では,未ラベル医薬品ゲノムデータの大量収集から,細胞および薬物の表現を独立に学習する段階的移行学習フレームワークを提案する。 ソースドメインとターゲットドメインが重なり合う場合, 教師なし事前トレーニングは限られた利益をもたらすが, 非常に限られたラベル付きデータで患者腫瘍に適応する場合, 明らかな利益をもたらす。
  論文  参考訳（メタデータ） (2026-03-17T07:12:38Z)
• Latent Causal Diffusions for Single-Cell Perturbation Modeling [83.47931153555321]
  測定ノイズ下で観察された定常拡散過程として単細胞遺伝子発現をフレーム化する生成モデルを提案する。 LCDはシングルセルRNAシークエンシングスクリーンにおいて、目に見えない摂動の組み合わせの分布変化を予測するために確立されたアプローチより優れていた。 我々は、摂動応答(CLIPR)を介して因果線形化と呼ばれるアプローチを開発し、全ての遺伝子間の直接的な因果効果を近似する。
  論文  参考訳（メタデータ） (2026-01-20T16:15:38Z)
• VAMP-Net: An Interpretable Multi-Path Framework of Genomic Permutation-Invariant Set Attention and Quality-Aware 1D-CNN for MTB Drug Resistance [0.0]
  本稿では,解釈可能な可変型マルチパスネットワーク(VAMP-Net)を提案する。 Path-1は、ゲノム座間のエピスタティック相互作用を捉えるために、Set Attention Transformer Processing permutation-invariant variant setを使用する。 Path-2は1D Confabal Networkを使用し、Variant Call Formatの品質指標を分析して信頼性スコアを学習する。
  論文  参考訳（メタデータ） (2025-12-25T21:28:54Z)
• 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)
• Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
  Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。 Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。 これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
  論文  参考訳（メタデータ） (2025-09-20T17:21:58Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• scGSDR: Harnessing Gene Semantics for Single-Cell Pharmacological Profiling [5.831554646284266]
  scGSDRは、細胞状態と遺伝子シグナル伝達経路の知識に基づく2つの計算パイプラインを統合するモデルである。 scGSDRは、遺伝子セマンティクスを組み込んで予測性能を高め、解釈可能性モジュールを使用する。 モデルはシングルドラッグの予測からドラッグの組み合わせを含むシナリオまで拡張された。
  論文  参考訳（メタデータ） (2025-02-02T15:43:20Z)
• Radiology Report Generation Using Transformers Conditioned with Non-imaging Data [55.17268696112258]
  本稿では,胸部X線画像と関連する患者の人口統計情報を統合したマルチモーダルトランスフォーマーネットワークを提案する。 提案ネットワークは、畳み込みニューラルネットワークを用いて、CXRから視覚的特徴を抽出し、その視覚的特徴と患者の人口統計情報のセマンティックテキスト埋め込みを組み合わせたトランスフォーマーベースのエンコーダデコーダネットワークである。
  論文  参考訳（メタデータ） (2023-11-18T14:52:26Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)

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。