Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

ExPath : inférence de voies ciblées pour les bases de connaissances biologiques via l'apprentissage et l'explication de graphes

Created by
  • Haebom

Auteur

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

Contour

Pour relever le défi de la découverte de voies cibles dans les bases de connaissances biologiques, cet article propose ExPAth, un nouveau cadre d'inférence de sous-graphes intégrant explicitement les données expérimentales. ExPAth classe divers graphes (réseaux biologiques) au sein de bases de données biologiques et prend en compte les liens (représentant les voies) qui contribuent à la classification en voies cibles. Ce cadre intègre de manière transparente des modèles biologiques pour coder des données moléculaires expérimentales et présente des évaluations biologiques orientées apprentissage automatique et de nouvelles mesures. Les résultats expérimentaux, incluant l'évaluation de 301 réseaux biologiques, démontrent que les voies déduites par ExPAth sont biologiquement significatives, atteignant une fidélité + (nécessité) jusqu'à 4,5 fois supérieure et une fidélité - (suffisance) 14 fois inférieure à celles des méthodes existantes, tout en préservant des chaînes de signalisation jusqu'à 4 fois plus longues.

Takeaways, Limitations_

•
Takeaways:
◦
Nous présentons ExPAth, un nouveau cadre qui améliore l'efficacité de la découverte de voies cibles dans les bases de connaissances biologiques.
◦
Intégrer efficacement les données expérimentales pour déduire des voies biologiquement significatives.
◦
Permet d'obtenir une précision améliorée (Fidelity+ et Fidelity-) et une longueur de chaîne de transmission du signal par rapport aux méthodes existantes.
◦
ÉValuation biologique orientée ML et présentation de nouveaux indicateurs.
•
Limitations:
◦
Les 301 réseaux biologiques présentés dans l’article nécessitent une validation supplémentaire pour déterminer s’ils sont suffisants pour évaluer les performances de généralisation de ce cadre.
◦
L’applicabilité et l’évaluation des performances pour d’autres types de données biologiques ou de réseaux biologiques plus complexes sont nécessaires.
◦
Des discussions plus approfondies sont nécessaires sur l’interprétation et l’applicabilité des indicateurs Fidelity+ et Fidelity-.
👍
Made with Slashpage