Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

ExPath: Inferencia de vías específicas para bases de conocimiento biológico mediante aprendizaje y explicación de gráficos

Created by
  • Haebom

Autor

Rikuto Kotoge, Ziwei Yang, Zheng Chen, Yushun Dong, Yasuko Matsubara, Jimeng Sun, Yasushi Sakurai

Describir

Para abordar el reto de descubrir vías diana en bases de conocimiento biológico, este artículo propone ExPAth, un novedoso marco de inferencia de subgrafos que integra explícitamente datos experimentales. ExPAth clasifica diversos grafos (redes biológicas) dentro de bases de datos biológicas y considera los enlaces (que representan vías) que contribuyen a la clasificación como vías diana. Este marco integra a la perfección modelos biológicos para codificar datos moleculares experimentales y presenta evaluaciones biológicas orientadas al aprendizaje automático y métricas novedosas. Los resultados experimentales, que incluyen evaluaciones de 301 redes biológicas, demuestran que las vías inferidas por ExPAth son biológicamente significativas, alcanzando una Fidelidad+ (necesidad) hasta 4,5 veces mayor y una Fidelidad- (suficiencia) 14 veces menor que los métodos existentes, a la vez que preserva cadenas de señalización hasta 4 veces más largas.

Takeaways, Limitations

•
Takeaways:
◦
Presentamos ExPAth, un nuevo marco que mejora la eficiencia del descubrimiento de vías objetivo en bases de conocimiento biológico.
◦
Integrar eficazmente datos experimentales para inferir vías biológicamente significativas.
◦
Logra una precisión mejorada (Fidelity+ y Fidelity-) y una mayor longitud de la cadena de transmisión de señales en comparación con los métodos existentes.
◦
Evaluación biológica orientada al aprendizaje automático y presentación de nuevos indicadores.
•
Limitations:
◦
Las 301 redes biológicas presentadas en el artículo requieren una validación adicional para determinar si son suficientes para evaluar el desempeño de generalización de este marco.
◦
Se necesita evaluar la aplicabilidad y el rendimiento para otros tipos de datos biológicos o redes biológicas más complejas.
◦
Es necesario seguir debatiendo la interpretación y aplicabilidad de los indicadores Fidelity+ y Fidelity-.
👍
Made with Slashpage