Jun, 2024

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

PDF
TL;DR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。
microbesgene-microbe-disease associationsheterogeneous causal metapath graph neural networkcausal relationsprediction
发现论文，激发创造
  • 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

  • 肠道菌群代谢组学数据的图神经网络：初步研究

    利用图神经网络从肠道微生物组中获得个体微生物组的有意义的表示，并用于预测炎症性肠病等表型。

    Jun, 2024

  • MHG-GNN：分子超图语法与图神经网络的组合

    材料发现中，性质预测起着重要作用。我们引入了一种称为 MHG-GNN 的新型自编码器，它将图神经网络（GNN）与分子超图文法（MHG）相结合。各种不同材料的性质预测任务结果表明 MHG-GNN 具有很大的潜力。

    Sep, 2023

  • 用于预测分子性质的异构分子图神经网络

    本文提出了一种名为 “异构分子图神经网络” 的方法，通过建立多种类型的节点和边来构建分子的异构分子图，并考虑到三个或更多原子之间的相互作用，结合神经信息传递机制进行对比化学性质预测，该方法在 QM9 数据集中的 12 个任务中有 9 个达到最优表现。

    Sep, 2020

  • 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

  • 多路异构图卷积网络

    本研究提出了一种多重异构图卷积网络（Multiplex Heterogeneous Graph Convolutional Network，MHGCN），可以通过多层卷积聚合自动学习多重异构网络中不同长度的有用异构元路径交互，并有效地将多关系结构信号和属性语义集成到有监督和半监督学习范式中的学习节点嵌入中，实验证明其在各种网络分析任务中显著优于现有的嵌入基线。

    Aug, 2022

  • 走向人类化感知：学习异构图中的结构因果模型

    通过构建可理解的变量和包含高级因果发现技术的自动学习任务级因果关系，HG-SCM 可以模拟人类感知和决策过程。在实证数据集上与七种基线模型进行比较后，HG-SCM 取得了最高的平均性能排名和最小的标准差，充分证明了其在预测能力和推广性方面的有效性和优越性，并且所自动学习的三个任务的因果图可视化和分析与领域知识和人类认知相吻合，展示出了其卓越的可解释性。HG-SCM 的类人特性以及增强的推广性和可解释性使其成为在透明度和可信度至关重要的特殊场景中具有潜力的解决方案。

    Dec, 2023

  • 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

  • 异构网络与图注意力自编码器用于 LncRNA 疾病关联预测

    通过利用多种生物医学数据来源，本研究提出了一种基于图注意力自动编码器的深度学习模型 HGATELDA，能够准确识别、预测 lncRNA 与疾病之间的关联，并在多个评估指标上取得了优异的性能。

    May, 2024

  • 利用异构图模型对生物实体的空间关系进行建模，用于乳腺癌的诊断

    本文旨在提出一种基于异构图神经网络的新方法，通过捕获细胞与组织之间的空间和层次关系，增强组织学图像中有用信息的提取，与转换器方法相比，本方法在参数数量和准确性方面都有所突破，在三个公开的乳腺癌数据集中表现出更高的效率和精度。

    Jul, 2023