抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
本研究は,オミクスデータからの加齢関連遺伝子の教師つき予測の課題に焦点を当てた。老化特異的情報を捉えるが,遺伝子(すなわち,それらの蛋白質産物)または蛋白質-蛋白質相互作用(PPI)ネットワーク法間の相互作用を無視するこの課題のための遺伝子発現法とは異なり,PPIsを説明するこの課題のための蛋白質-蛋白質相互作用(PPI)ネットワーク法は,最近,2つのデータタイプを加齢特異的PPIサブネットワークに統合し,より正確な加齢関連遺伝子予測をもたらした。しかし,動的エージング特異的サブネットワークは,動的であるエージングプロセスにもかかわらず,静的エージング特異的サブネットワークと比較して予測性能を改善しなかった。これは,動的サブネットワークがナイーブ誘導サブグラフ手法を用いて推論されるためであろう。代わりに,著者らは,最近,ネットワーク伝搬(NP)の方法論的より高度な概念を用いて,動的加齢特異的サブネットワークを推論し,それは,加齢過程の教師なし解析の,異なるタスクにおける誘導動的加齢特異的サブネットワークで改善した。ここでは,著者らの既存のNPベースの動的サブネットワークが,加齢関連遺伝子の教師つき予測の考慮されたタスクにおいて,誘導アプローチによって構築された静的サブネットワークと同様に動的に改善されるかどうかを評価した。既存のNPベースのサブネットワークは非加重であり,すなわち,それは加齢特異的PPIのそれぞれに等しく重要である。加齢特異的エッジ重みを説明するので,重みづけNPベース動的加齢特異的サブネットワークを提案した。既存のサブネットワークがNPまたは誘導アプローチを用いて推論されたかどうかにかかわらず,既存の非加重動的または静的サブネットワーク上で実行される予測モデルよりも,加重サブネットワーク上で訓練され,テストされた予測機械学習モデルが,より高い精度をもたらすことを示した。【JST・京大機械翻訳】