論文の概要: Are You Learning Biological Signal or Shortcuts? Auditing and Mitigating Bias in Protein-Protein Interaction Datasets

• arxiv url: http://arxiv.org/abs/2609.10193v1
• Date: Wed, 09 Sep 2026 14:02:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:09.043246
• Title: Are You Learning Biological Signal or Shortcuts? Auditing and Mitigating Bias in Protein-Protein Interaction Datasets
• Title（参考訳）: 生体信号かショートカットか? : タンパク質-タンパク質相互作用データセットにおけるバイアスの観察と緩和
• Abstract要約: タンパク質-タンパク質相互作用(PPI)データベースは生物学的現実を忠実に反映していない。 機械学習モデルは、負のデータセットが慎重に構築されていない場合、これらを学習ショートカットとして利用することができる。 ここでは、生物信号の代わりに機械学習モデルにショートカットを学習させるPPIデータセットにおいて、報告されたと報告されていないバイアスの両方を体系的に特徴づける。
• 参考スコア（独自算出の注目度）: 0.9003755151302326
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Protein-protein interaction (PPI) databases do not faithfully reflect biological realities. Instead, they are influenced by study and technical biases that distort certain protein and interaction attributes. Machine learning models can exploit these as learning shortcuts if the negative dataset is not constructed with care. So far, the shortcuts introduced during PPI dataset construction have only been examined in isolation. Here, we systematically characterize both reported and, to our knowledge, previously unreported biases in PPI datasets that lead machine learning models to learn shortcuts instead of biological signal. We analyze HIPPIE, IntAct, and STRING, dedicated PPI databases, as well as two datasets derived from 3D-structural information in the Protein Data Bank (PDB). We show that random data splitting introduces strong topological shortcuts. When train-test protein overlap is removed, the resulting datasets still retain usable shortcuts stemming from self-interactions, taxonomic identity, and functional relatedness, whose prevalence interestingly depends on the data source. We further show that sampling negatives from a set of high-confidence non-interactors, an intuitively appealing choice, can amplify the shortcut stemming from functional relatedness. To detect and mitigate these biases, we provide an open Nextflow pipeline that combines similarity-aware, data-loss-minimizing dataset splitting with bias-minimizing negative sampling, both formulated as integer linear programs. Its key concept of quantifying biases to minimize them through optimization-based negative sampling can, in principle, be extended to any machine learning problem where the pool of negative candidates is much larger than the positives and is thus of interest also beyond PPI prediction.
• Abstract（参考訳）: タンパク質-タンパク質相互作用(PPI)データベースは生物学的現実を忠実に反映していない。 代わりに、特定のタンパク質や相互作用の属性を歪ませる研究や技術的なバイアスの影響を受けます。 機械学習モデルは、負のデータセットが慎重に構築されていない場合、これらを学習ショートカットとして利用することができる。 これまでのところ、PPIデータセット構築時に導入されたショートカットは、単独でのみ検討されている。 ここでは、生物信号の代わりに機械学習モデルにショートカットを学習させるPPIデータセットにおいて、報告されたと報告されていないバイアスの両方を体系的に特徴づける。 HIPPIE, IntAct, STRING, 専用PPIデータベース, およびタンパク質データバンク(PDB)の3次元構造情報から得られた2つのデータセットを解析した。 ランダムなデータ分割は、強いトポロジカルショートカットをもたらすことを示す。 トレインテストタンパク質のオーバーラップが除去された場合、結果として得られたデータセットは、データソースに依存する自己相互作用、分類学的アイデンティティ、機能的関連性から生じる、使用可能なショートカットを保持します。 さらに, 機能的関連性から生じるショートカットを, 高信頼度非干渉体から抽出し, 直感的に魅力的な選択であることを示す。 これらのバイアスを検出し、緩和するために、類似性を意識したデータロス最小化データセット分割とバイアス最小化負サンプリングを組み合わせた、オープンなNextflowパイプラインを提供する。 最適化に基づく負のサンプリングを通じてバイアスを定量化し最小化するというその重要な概念は、原則として、負の候補のプールが正よりもはるかに大きく、したがってPPI予測を超えた関心を持つような機械学習問題にまで拡張することができる。

関連論文リスト

• Refnd: Preventing Data Leakage in Relational Datasets [3.5410731310203]
  Refnd は Navigable Navi Small World (HNSW) を用いてログ時間で計算された近接グラフを利用する分割アルゴリズムである。 抗微生物ペプチドデータセットを用いて,Refnd分画は従来の分画よりも低いが,より現実的な評価が得られた。
  論文  参考訳（メタデータ） (2026-06-30T19:53:33Z)
• 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)
• PEEL the Layers and Find Yourself: Revisiting Inference-time Data Leakage for Residual Neural Networks [64.90981115460937]
  本稿では、ディープニューラルネットワーク(NN)の推論時データ漏洩リスクについて検討する。 残差NNの中間出力からブロックワイズ入力特徴を効果的に回収できる新しい後方特徴逆変換法である textbfPEEL を提案する。 その結果,平均二乗誤差 (MSE) で評価した場合,PEEL は最先端の回収方法よりも桁違いに優れていることがわかった。
  論文  参考訳（メタデータ） (2025-04-08T20:11:05Z)
• Extracting Protein-Protein Interactions (PPIs) from Biomedical Literature using Attention-based Relational Context Information [5.456047952635665]
  本研究は,二元的相互作用型ラベルを付加したベット型相互作用定義を用いた多元的PPIコーパスを提案する。 変換器を用いた深層学習手法は,関係表現のための関係文脈情報を利用して関係分類性能を向上させる。 このモデルの性能は, 広く研究されている4つのバイオメディカル関係抽出データセットで評価される。
  論文  参考訳（メタデータ） (2024-03-08T01:43:21Z)
• Stubborn Lexical Bias in Data and Models [50.79738900885665]
  我々は、データに基づいてトレーニングされたモデルに、データのスプリアスパターンが現れるかどうかを調べるために、新しい統計手法を用いる。 トレーニングデータに*reweight*に最適化アプローチを適用し、数千のスプリアス相関を低減します。 驚くべきことに、この方法ではトレーニングデータの語彙バイアスを低減できますが、トレーニングされたモデルで対応するバイアスの強い証拠がまだ見つかっていません。
  論文  参考訳（メタデータ） (2023-06-03T20:12:27Z)
• A Supervised Machine Learning Approach for Sequence Based Protein-protein Interaction (PPI) Prediction [4.916874464940376]
  計算タンパク質間相互作用(PPI)予測技術は、時間、コスト、偽陽性相互作用の低減に大きく貢献する。 提案したソリューションをSeqPIPコンペティションの結果とともに紹介した。
  論文  参考訳（メタデータ） (2022-03-23T18:27:25Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• Bayesian neural network with pretrained protein embedding enhances prediction accuracy of drug-protein interaction [3.499870393443268]
  ディープラーニングのアプローチは、人間による試行錯誤なしに薬物とタンパク質の相互作用を予測できる。 本稿では,小さなラベル付きデータセットで優れた性能を示すディープラーニングフレームワークを構築するための2つの手法を提案する。
  論文  参考訳（メタデータ） (2020-12-15T10:24:34Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)
• Enzyme promiscuity prediction using hierarchy-informed multi-label classification [6.6828647808002595]
  本稿では,983個の異なる酵素が問合せ分子と相互作用しうるかを予測するための機械学習モデルを提案し,評価する。 いくつかの相互作用は自然選択に起因し、酵素の天然基質を含む。 しかし、相互作用の大部分は非天然基質を含んでおり、プロミスキュラスな酵素活性を反映している。
  論文  参考訳（メタデータ） (2020-02-18T01:39:24Z)

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。