基于综合元路径的异构图变换器用于基因-疾病关联预测
人工智能
2025-01-15 v1
摘要
发现基因-疾病关联对于理解疾病机制至关重要，但由于生物实验的时间和成本，这些关联仍然具有挑战性。计算方法日益重要，用于高效和可扩展的基因-疾病关联预测。图基学习模型通常用于生物分子预测，它们利用节点特征和网络关系。然而，现有方法常常难以有效整合节点特征、异构结构和语义信息。为此，我们提出了COmrehensive MEtapath-based heterogeneous graph Transformer(COMET)，用于预测基因-疾病关联。COMET整合了多种数据集构建全面的异构网络，采用BioGPT初始化节点特征。我们定义七种元路径，并利用变换器框架聚合元路径实例，捕获全局上下文和长距离依赖关系。通过基于注意力机制的内部和外部元路径聚合，COMET融合来自多个元路径的潜在向量，以提高GDA预测准确性。我们的方法在鲁棒性方面优于最先进的方法。消融研究和可视化结果验证了COMET的有效性，为推动人类健康研究提供了宝贵的见解。
引用
@article{arxiv.2501.07970,
title = {Comprehensive Metapath-based Heterogeneous Graph Transformer for Gene-Disease Association Prediction},
author = {Wentao Cui and Shoubo Li and Chen Fang and Qingqing Long and Chengrui Wang and Xuezhi Wang and Yuanchun Zhou},
journal= {arXiv preprint arXiv:2501.07970},
year = {2025}
}
备注
6 pages