通过基于距离的原型图形神经网络和路径聚合机制来预测水干旱反应基因

科学领域:

• 基因组学就是基因组学.
• 生物信息学是一种生物信息学.
• 植物科学 植物科学

背景情况:

• 干旱压力显著降低了大米的产量和质量.
• 识别对干旱反应的基因对于开发适应性大米品种至关重要.
• 现有的图形神经网络方法在捕获基因属性,网络拓和类不平衡方面面临着挑战.

研究的目的:

• 提出一种基于距离的原型图形神经网络与路径聚合机制 (DPGNNPAM) 的新型神经网络,用于识别大米中干旱反应基因.
• 通过解决特征表示和类不平衡的局限性,提高生物网络中图形神经网络的预测能力.

主要方法:

• 通过整合大米基因表达数据和蛋白质相互作用网络,构建基于图形的数据集.
• 采用随机步行策略和基于递归神经网络的路径聚合器来编码沿着各种路径的节点属性.
• 利用原型网络方法专注于全球信息,解决样本不平衡,并计算节点嵌入和类原型之间的加权相似性.

主要成果:

• 拟议的DPGNNPAM模型在识别干旱反应基因方面,与传统的图形神经网络算法相比,表现优越.
• 确定了17个与大米干旱压力相关的候选基因.
• 通过现有的科学文献验证了12个已识别的候选基因,证实了它们在干旱应激反应中的作用.

结论:

• 通过整合网络拓和节点属性,DPGNNPAM有效地挖掘了大米中的干旱反应基因,同时管理了阶级失衡.
• 这些已识别的基因为培育耐旱大米品种提供了有价值的标.
• 这项研究强调了高级图形神经网络方法在植物基因组学和应激反应研究中的潜力.