基于图注意力的多模态阿尔茨海默病网络疾病相关基因优先级排序
机器学习
2026-03-04 v1
摘要
优先级排序疾病相关基因是理解复杂疾病如阿尔茨海默病 (AD) 的分子机制的核心任务。传统的网络方法依赖于静态中心性度量，往往难以捕捉跨模态的生物异质性。我们提出了 NETRA (Node Evaluation through Transformer-based Representation and Attention)，一个基于 Transformer 的多模态图框架，将启发式中心性度量替换为基于注意力驱动的相关性评分。以 AD 为案例研究，独立构建来自微阵列、单细胞 RNA-seq 和单核 RNA-seq 数据的基因调控网络。从这些网络派生的随机漫步序列用于训练基于 BERT 的模型以学习全局基因嵌入，而模态特定的基因表达轮廓则通过变分自编码器进行压缩。这些表示与辅助生物网络（包括蛋白-蛋白相互作用、Gene Ontology 语义相似性和扩散基因相似性）整合到统一的多模态图中。图 Transformer 为 NETRA 分数分配，这些分数以疾病特定和情境感知的方式量化基因相关性。基因富集分析显示，NETRA 对于阿尔茨海默病通路的归一化富集得分约为 3.9，显著优于经典中心度量和扩散模型。最高排名的基因富集多个神经退行性通路，恢复已知的阿尔茨海默病易感位点于 chr12q13，并揭示保守的跨疾病基因模块。该框架保留生物上现实的重尾网络拓扑，可轻松扩展到其他复杂疾病。
引用
@article{arxiv.2603.02273,
title = {Graph Attention Based Prioritization of Disease Responsible Genes from Multimodal Alzheimer's Network},
author = {Binon Teji and Subhajit Bandyopadhyay and Swarup Roy},
journal= {arXiv preprint arXiv:2603.02273},
year = {2026}
}