CSGDN：用于预测作物基因-表型关联的对比符号图扩散网络
机器学习
2025-03-25 v2
摘要
基因与表型之间的正负关联预测有助于阐明生物体复杂性状的潜在机制。特定基因的转录和调控活性会在不同的细胞类型、发育阶段和生理状态下相应调整。获取基因与性状之间的正/负关联存在以下两个问题：1）高通量DNA/RNA测序和表型分析由于需要处理大量样本而昂贵且耗时；2）实验会引入随机误差和系统误差，同时，使用软件或模型进行计算或预测可能会产生噪声。为了解决这两个问题，我们提出了一种对比符号图扩散网络CSGDN，以使用更少的训练样本学习鲁棒的节点表示，从而实现更高的链路预测精度。CSGDN采用符号图扩散方法来揭示基因与表型之间的潜在调控关联。然后，使用随机扰动策略为原始图和扩散图创建两个视图。最后，设计了一种多视图对比学习范式损失，以统一从两个视图学习到的节点表示，从而抵抗干扰并减少噪声。我们进行了实验，在三个作物数据集上验证了CSGDN的性能：陆地棉、欧洲油菜和硬粒小麦。结果表明，所提出的模型在陆地棉数据集上的链路符号预测AUC比最先进的方法高出高达9.28%。
引用
@article{arxiv.2410.07511,
title = {CSGDN: Contrastive Signed Graph Diffusion Network for Predicting Crop Gene-phenotype Associations},
author = {Yiru Pan and Xingyu Ji and Jiaqi You and Lu Li and Zhenping Liu and Xianlong Zhang and Zeyu Zhang and Maojun Wang},
journal= {arXiv preprint arXiv:2410.07511},
year = {2025}
}
备注
Under review