論文の概要: GO-Based Clustering for Learning Cluster-Level Causal Gene Regulatory Networks

• arxiv url: http://arxiv.org/abs/2610.06042v1
• Date: Mon, 05 Oct 2026 09:41:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 19:11:35.199307
• Title: GO-Based Clustering for Learning Cluster-Level Causal Gene Regulatory Networks
• Title（参考訳）: GOに基づくクラスタリングによるクラスタレベル因果遺伝子制御ネットワークの学習
• Abstract要約: 因果発見のためのクラスタリング(英: Clustering for Causal Discovery、GO4CD)は、遺伝子オントロジー(英: Gene Ontology、GO)を用いて生物学的に意味のある遺伝子分割を構築するアルゴリズムである。 GO4CDは生物学的に意味のある遺伝子クラスター上で定義された因果性GRNを学習するのに非常に適している。
• 参考スコア（独自算出の注目度）: 5.110680773619143
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discovery of causal relationships in high-dimensional Gene Regulatory Networks (GRN) is computationally challenging and often difficult to interpret due to dense connections. Therefore, grouping genes together into functional modules can improve tractability and biological interpretability. However, existing cluster level causal discovery methods assume access to a predefined admissible partitions, requiring the graph over clusters to be acyclic. Constructing such partitions is therefore challenging. In this work, we introduce GO-based Clustering for Causal Discovery (GO4CD), an algorithm that uses Gene Ontology (GO) to construct biologically meaningful gene partitions at multiple levels of granularity, while favoring those more likely to be admissible for causal discovery. GO4CD groups together genes participating in a shared biological process, and propagates gene annotations through the ontology hierarchy to achieve different granularity of partitions. Furthermore, we integrate GO4CD with Causal Learning over Clusters (CLOC) algorithm and evaluate recovery of true Markov equivalence class both with an oracle of conditional independencies and on simulated gene expression data using multivariate conditional independence tests. We evaluate GO4CD on multiple E.coli regulatory subnetworks and find that it is inadmissible in 18.1% of the cases, compared with 65.3-82.3% for the semantic-similarity baselines. Our results indicate that GO4CD is substantially better suited to learning causal GRNs defined over biologically meaningful gene clusters.
• Abstract（参考訳）: 高次元遺伝子レギュレータネットワーク(GRN)における因果関係の発見は計算的に困難であり、高密度接続のためしばしば解釈が困難である。 そのため、遺伝子を機能モジュールにまとめることで、トラクタビリティと生物学的解釈性が向上する。 しかし、既存のクラスタレベルの因果探索手法は、事前に定義された許容可能なパーティションへのアクセスを前提としており、クラスタ上のグラフは非循環である必要がある。 そのため、そのようなパーティションの構築は困難である。 本稿では,遺伝子オントロジー(GO)を用いて,複数の粒度で生物学的に意味のある遺伝子パーティションを構築するアルゴリズムであるGOベースの因果発見のためのクラスタリング(GO4CD)を紹介する。 GO4CDは、共有生物学的プロセスに参加している遺伝子をグループ化し、オントロジー階層を通じて遺伝子アノテーションを伝播し、パーティションの粒度が異なる。 さらに,GO4CD と Causal Learning Over Clusters (CLOC) アルゴリズムを統合し,実マルコフ同値クラスの再現性を評価する。 我々は,複数のE.coli規制サブネット上でGO4CDを評価し,意味相似性ベースラインの65.3-82.3%と比較して18.1%のケースでは許容できないことを発見した。 その結果,GO4CDは生物学的に意味のある遺伝子クラスター上で定義された因果性GRNの学習に極めて適していることが示唆された。

関連論文リスト

• Supervised Graph Contrastive Learning for Gene Regulatory Networks [5.0455825968650725]
  Graph Contrastive Learning(GCL)は,グラフ摂動によるデータ拡張を行う,強力な自己教師型学習フレームワークである。 GCLでよく用いられる人工摂動、例えばノードの落下は、生物学的現実から分岐できる構造変化を誘導する。 遺伝子ノックダウン実験の生物学的摂動を直接監視する新しいGCL法であるSupGCLを提案する。
  論文  参考訳（メタデータ） (2025-05-23T11:59:35Z)
• 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)
• CGRclust: Chaos Game Representation for Twin Contrastive Clustering of Unlabelled DNA Sequences [0.0]
  CGRclustは、DNA配列のChaos Game Representations(CGR)と畳み込みニューラルネットワーク(CNN)を組み合わせた、教師なし双対のコントラストクラスタリングの新規な組み合わせである CGRclustは、DNA配列のクラスタリングデータセットのイメージ分類に教師なし学習を使用する最初の方法である。 CGRclustは、魚類のミトコンドリアDNAゲノムで検査された4つの分類レベル全てで81.70%を超える唯一の方法である。
  論文  参考訳（メタデータ） (2024-07-01T23:24:05Z)
• 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)
• DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
  遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。 既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。 本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
  論文  参考訳（メタデータ） (2023-02-08T16:36:40Z)
• Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
  GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。 我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
  論文  参考訳（メタデータ） (2022-10-18T21:15:10Z)

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。