BayReL：用于多组学数据整合的贝叶斯关系学习
机器学习
2020-10-23 v3 分子网络
应用统计
机器学习
摘要
高通量分子分析技术已产生高维多组学数据，使得在基因组尺度上对生命系统进行系统性理解成为可能。研究不同数据类型之间的分子相互作用有助于揭示不同类别分子间的信号转导机制。在本文中，我们开发了一种新颖的贝叶斯表示学习方法，用于推断多组学数据类型间的关系相互作用。我们的方法，用于多组学数据整合的贝叶斯关系学习（BayReL），利用同一类分子中先验已知的关系（在每个对应视图中建模为图）来学习视图特定的潜变量以及编码跨视图相互作用的多部图。我们在多个真实世界数据集上的实验表明，与现有基线相比，BayReL 在推断有意义相互作用方面具有增强的性能。
引用
@article{arxiv.2010.05895,
title = {BayReL: Bayesian Relational Learning for Multi-omics Data Integration},
author = {Ehsan Hajiramezanali and Arman Hasanzadeh and Nick Duffield and Krishna R Narayanan and Xiaoning Qian},
journal= {arXiv preprint arXiv:2010.05895},
year = {2020}
}