CAGAD:动态的社区关注预测基因监管网络
Sura I Mohammed Ali1,2, Sura Zaki AlRashid3
1Department of Software, College of Information Technology, University of Babylon, Babylon, 51001, Iraq. suraibrahimm.sw@student.uobabylon.edu.iq.
这项研究介绍了CAGAD,这是一种新的图形神经网络 (GNN) 框架,可以提高基因相互作用预测的解释性和准确性. CAGAD有效地整合了生物数据,改善了基因调节网络 (GRNs) 的发现.
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.
- 机器学习 机器学习
背景情况:
- 深度学习,特别是图形神经网络 (GNN),难以解释复杂的基因关联.
- 在基因调控网络 (GRN) 建设中将先前的生物知识纳入 GNNs 仍然具有挑战性.
- 开发能够处理测量错误的强大的GRNs是一个开放的问题.
研究的目的:
- 提出CAGAD框架,这是一个新的方法来构建更可解释和更准确的基于GNN的GRNs.
- 通过有效地整合基因表达数据和已知的基因关系来增强GNN的预测能力.
- 解决目前处理生物先验知识和GRN构造中的测量错误的方法的局限性.
主要方法:
- 开发了CAGAD框架,将社区关注机制与GraphSAGE集成在一起.
- 利用基因表达数据和已知的基因关系来创建低维嵌入.
- 引入了一个新的社区关注机制,利用结构性和社区层面的特征来改善预测.
主要成果:
- 与基准数据集 (大肠杆菌,大肠杆菌,大肠杆菌) 上的最先进方法相比,CAGAD显示出更高的性能.
- 该框架提供了对基因相互作用的更可解释和更准确的预测.
- 学习嵌入有效地捕捉大规模GRNs的底层结构,提供生物学见解.
结论:
- CAGAD为使用GNN的GRN构建提供了一个强大的和可解释的解决方案.
- 该框架增强了人们对发现新基因连接的信心.
- 学习的嵌入为下游分析提供了有价值的生物信息.
更多相关视频
10:44Inherent Dynamics Visualizer, an Interactive Application for Evaluating and Visualizing Outputs from a Gene Regulatory Network Inference Pipeline
Published on: December 7, 2021
03:37Generating the Transcriptional Regulation View of Transcriptomic Features for Prediction Task and Dark Biomarker Detection on Small Datasets
Published on: March 1, 2024
相关概念视频
Cis-regulatory Sequences
Cooperative Binding of Transcription Regulators
Combinatorial Gene Control
The expression of more than 30,000 genes is controlled by approximately 2000-3000 transcription factors. This is possible because a single transcription factor can recognize more than one regulatory sequence. The specificity in gene...
Cis-regulatory Sequences
Cooperative Binding of Transcription Regulators
Constitutive and Regulated Gene Expression
