EPGAT:グラフ注意ネットワークによる遺伝子不可欠性予測【JST・京大機械翻訳】

Schapke Joao; Tavares Anderson; Recamonde-Mendoza Mariana

プレプリント

J-GLOBAL ID：202202218841854950 整理番号：21P0040357

EPGAT:グラフ注意ネットワークによる遺伝子不可欠性予測【JST・京大機械翻訳】

EPGAT: Gene Essentiality Prediction With Graph Attention Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2020年07月19日プレプリントサーバーでの情報更新日： 2020年07月19日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

必須遺伝子/蛋白質の同定は,ヒト生物学と病理学のより良い理解に向けた重要な段階である。計算機アプローチは,機械学習(ML)法の探索と生物学的情報,特に蛋白質-蛋白質相互作用(PPI)ネットワークとの必須性の相関を,必須遺伝子を予測するために,実験制約を緩和するのに役立った。それにもかかわらず,それらの性能は,ネットワークベースの中心性が必須性の排他的プロキシではなく,従来のML法がグラフのような非ユークリッドドメインから学ぶことができないので,まだ限られている。これらの限界を考えると,グラフ構造化データで動作する注意ベースグラフニューラルネットワーク(GNN)であるグラフ注意ネットワーク(GATs)に基づく必須性予測のためのアプローチであるEPGATを提案した。本モデルはPPIネットワークから遺伝子必須性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の追加証拠を統合した。著者らは,ヒトを含む4つの生物に対してEPGATをベンチマークし,0.78から0.97の範囲のAUCスコアで遺伝子必須性を正確に予測した。著者らのモデルは,ネットワークベースおよび浅いMLベースの方法を著しく上回って,最先端のノード2vec埋込み方式に対して非常に競合した性能を達成した。特に,EPGATは,制限および不均衡訓練データによるシナリオにおいて最もロバストなアプローチであった。したがって,提案した手法は,必須遺伝子および蛋白質を同定する強力な効果的な方法を提供する。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

分子・遺伝情報処理 , 蛋白質・ペプチド一般

, , ,

前のページに戻る