用于预测人类癌症中合成致死率的可解释高阶知识图神经网络
机器学习
2025-03-20 v2 定量方法
摘要
合成致死率（SL）是一种有前景的用于癌症治疗的基因交互作用。最近的 SL 预测方法将知识图谱（KGs）整合到图神经网络（GNNs）中，并采用注意力机制提取局部子图作为目标基因对的解释。然而，注意力机制通常缺乏保真度，通常为每对基因对生成单一解释，并且无法在其解释中确保可信的高阶结构。为了克服这些局限性，我们提出了用于合成致死率的多样化图信息瓶颈（DGIB4SL），这是一种基于 KG 的 GNN，能够为同一基因对生成多个可信的解释，并有效编码高阶结构。具体而言，我们引入了一个新颖的 DGIB 目标，将行列式点过程（DPP）约束整合到标准 IB 目标中，并采用 13 个基于模体的邻接矩阵来捕获基因表示中的高阶结构。实验结果表明，DGIB4SL 优于最先进的基线方法，并为 SL 预测提供了多种解释，揭示了 SL 推断背后多样的生物学机制。
引用
@article{arxiv.2503.06052,
title = {Interpretable High-order Knowledge Graph Neural Network for Predicting Synthetic Lethality in Human Cancers},
author = {Xuexin Chen and Ruichu Cai and Zhengting Huang and Zijian Li and Jie Zheng and Min Wu},
journal= {arXiv preprint arXiv:2503.06052},
year = {2025}
}
备注
15 pages. Accepted by Briefings in Bioinformatics