本研究利用数据工程算法解决肠道菌群数据的类别不平衡和高维问题,应用多个机器学习分类器以进行宿主表型的分类,表现出具有高预测准确率的优越性,并采用主成分分析(PCA)大大减少了测试时间。研究表明,微生物特征在物种级别上的分类精度最高,该原型对于实现个性化医疗具有很高的潜在价值。
Jun, 2023
该研究评估了在应用于帕金森病和对照样本的高通量生物数据的病例对照分类中,基于样本相似性网络和分子相互作用网络的多个图表示学习模型,包括蛋白质 - 蛋白质和代谢物 - 代谢物相互作用。通过系统应用于转录组学和代谢组学数据的比较分析,突出了各种架构在提取组学数据模式方面的优点和局限性,为生物医学研究中更准确、可解释的模型铺平了道路。
Jun, 2024
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。
该研究提出了一个可解释性的框架,用于分析特定于疾病的感兴趣区域和突出连接。该框架包括一个面向脑网络的预测模型和一个全局共享的解释生成器,该生成器突出了特定于疾病的生物标记物。实验证明,该框架可以获得出色的性能并识别有意义的生物标记物。
Jun, 2022
通过构建图形元网络,将权重从其他神经网络作为输入,我们的 Graph Metanetworks (GMNs) 方法解决了处理对称性和参数空间几何的困难,有效地推广到多种神经网络架构,并验证了其有效性。
Dec, 2023
引入了一种新的深度学习架构,基于卷积神经网络,使用在系统发生树上定义的祖先距离作为相似度测量来分类元基因组数据,测试表明该算法在分类表现上与传统算法和基线全连接神经网络相比有很好的表现。
Sep, 2017
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
图神经网络是通过揭示基因和细胞之间的深层连接来重塑我们对生物医学和疾病的理解。本文总结了过去几年针对单细胞数据量身定制的图神经网络方法,并强调了以图注意力网络为中心的多样化图深度学习架构及其在单细胞数据上的几个目标,包括细胞类型注释、数据整合和插补、基因调控网络重建、聚类等。预计在生物医学领域中,随着不断产生的大规模组学数据和细胞与基因之间的相互关联性加强,图神经网络将成为单细胞分析工作的核心。
Oct, 2023
通过使用图神经网络和 fMRI 数据,开发出含有两个阶段的流程来识别 ASD 的生物标志物,并发现证据为 GNN 分类器使用的大脑区域 / 子图。
Jul, 2019
本篇研究使用图神经网络对有机化学反应进行建模,通过对四种普遍反应进行分类任务的评估,发现具有预测能力且能够识别影响反应条件的特定图形特征,为推进分子机器学习研究提供了巨大的前景。
Jul, 2020