Feb, 2024

PhenoLinker：利用异构图神经网络进行表型 - 基因链接预测和解释

PDF
TL;DRPhenoLinker 系统利用异质信息网络和卷积神经网络模型给表型 - 基因关系分配分数，从而解释预测结果，帮助发现新的关联并理解人类基因变异的后果。
human phenotypegenetic variantphenolinkerphenotype-gene relationshipconvolutional neural network
发现论文，激发创造
  • 异质性下的链接预测：一种受物理启发的图神经网络方法

    基于 GRAFF 方法的 GRAFF-LP 扩展能够改善异质图下的链接预测性能，通过在一系列异质图数据集上的评估，相对 AUROC 提升达到最高 26.7%。

    Feb, 2024

  • 生物质高粱中基因型与表型相互作用的分类和可视化

    本文引入了一种简单方法来理解单核苷酸多态性（SNP）或相关 SNP 组，以及它们控制的表型之间的关系。该管道包括训练深度卷积神经网络（CNN）来区分具有参考和各种 SNP 的替代版本的植物图像，然后使用可视化方法来突出显示分类网络的关键。我们展示了深度 CNN 在执行分类任务方面的能力，并展示了这些可视化对 TERRA-REF 门架捕获的生物量高粱的 RGB 图像的效用。我们专注于几个具有已知表型表达的遗传标记，并讨论使用这种方法揭示基因型 x 表型关系的可能性。

    Aug, 2021

  • 用于用户身份关联的图神经网络

    本文提出了一种基于图神经网络的新型用户身份链接框架，称为 (m)，该框架通过学习社交图中用户的局部和全局特征来预测用户身份链接，并在实际数据集上进行了广泛实验来证明其有效性。

    Mar, 2019

  • 基于网络的疾病 - 基因预测方法

    利用人类相互作用网络，采用联合学习功能和蛋白质周围的连通性模式的方法预测疾病基因关系。我们提出了 Random Watcher-Walker（$RW^2$）的扩展版本，成功地与已知最佳系统和其他最先进的基于图形的方法进行比较。与以前的研究相反，我们的研究结果表明，仅有连接性无法足以分类与疾病有关的基因。

    Feb, 2019

  • 组织特异性多组学图表示学习

    本研究利用图嵌入模型（即 VGAE）对组织特异性基因基因相互作用网络进行链接预测。经过消融实验，我们证明了多个生物模态（即多组学）的组合会导致更强大的嵌入并提高链接预测性能。我们的结果表明，基因甲基化和 RNA 测序数据的整合显着提高了链接预测性能。总体而言，RNA 测序和基因甲基化数据的组合使得基因基因相互作用网络上的链接预测准确率达到了 71％。本研究通过对多组学数据的图表示学习，为当前有关生物信息学中多组学整合研究带来了新的见解。

    Jul, 2021

  • 生成式图神经网络用于链接预测

    本文提出了一种名为 GraphLP 的新的基于网络重构理论的、区别于传统的判别式神经网络模型的生成式神经网络模型，利用深度学习提取图表结构信息并探索高阶连接模式以实现链路预测，实验证明 GraphLP 在不同数据集上都具有优异性能。

    Dec, 2022

  • 基于图神经网络的概率生成模型在疾病基因预测中的应用

    本文研究使用 VGAE 和 C-VGAE 作为无监督的方法，利用图神经网络进行疾病 - 基因关联网络的潜在嵌入表示，进而解决疾病 - 基因预测问题，结果表明 VGAE 和 C-VGAE 方法具有很好的性能

    Jul, 2019

  • 基于异质因果元路径图神经网络的基因 - 微生物 - 疾病关联预测

    利用异构因果元路径图神经网络 (HCMGNN) 预测基因 - 微生物 - 疾病 (GMD) 关联，并通过提升图的语义和结构来解决关联稀疏性问题。

    Jun, 2024

  • 基于持久同调的链路预测：交互视角

    该研究提出了一种基于扩展持久同调的拓扑特征，以编码连接节点的多跳路径的丰富的结构信息，并提出了一种图神经网络方法，优于不同基准的现有技术。此外，该研究还提出了一种更高效地计算扩展持久性图的算法，可以普遍应用于加速图学习任务中的许多其他拓扑方法。

    Feb, 2021

  • PHLP：链接预测的唯一持久同调 —— 可解释的特征提取

    基于持久化同调的新方法用于链接预测，通过分析图的拓扑信息解释性能提高的原因。该方法不仅利用角度跳子图和新的节点标签方法来更好地区分图的信息，还结合已有的图神经网络模型，在各项基准数据集上均实现了优异的性能。

    Apr, 2024