GNN4DM:一种基于图形神经网络的方法,用于识别重叠的功能性疾病模块
1Department of Artificial Intelligence and Systems Engineering, Budapest University of Technology and Economics, Budapest H-1117, Hungary.
Bioinformatics (Oxford, England)
|September 25, 2024
概括
我们开发了GNN4DM,这是一种新的图形神经网络模型,通过整合网络拓和基因组数据来自动发现重叠的疾病模块. 这种方法提高了生物解释性,并优于现有的方法.
科学领域:
- 计算生物学 计算生物学
- 生物信息学是一种生物信息学.
- 系统生物学 系统生物学
背景情况:
- 在分子网络中识别疾病模块对于理解疾病机制和找到治疗点至关重要.
- 传统方法面临的挑战是网络复杂性,重叠的模块和整合多样化的基因组数据.
- 需要自动化方法,有效利用广泛的生物知识和数据.
研究的目的:
- 提出GNN4DM,一种基于图形神经网络的新型模型,用于自动发现重叠的功能性疾病模块.
- 整合网络拓与基因组数据,以增强基因表征和途径对齐.
- 提高疾病模块识别的解释性和准确性.
主要方法:
- 开发了GNN4DM,这是一个集网络拓和基因组数据的图形神经网络模型.
- 通过使用DREAM基准和扩展数据集 (GWAS Atlas,FinnGen,DisGeNET) 训练和评估模型.
- 对疾病模块检测的最新方法进行性能评估.
主要成果:
- 在检测具有生物意义的疾病模块方面,GNN4DM的性能优于几种最先进的方法.
- 该模型成功地学习了与生物途径一致的基因表征,从而提高了可解释性.
- 发现了两种新的多病性模块,这些模块涵盖了各种各样的,看似无关的疾病.
结论:
- GNN4DM提供了一种有效的,自动化的方法来识别重叠的功能性疾病模块.
- 该方法通过整合网络和基因组数据来提高生物解释性.
- GNN4DM显示出发现复杂疾病关系和治疗点的巨大潜力.


