基于多组学采样的图Transformer用于合成致死预测
机器学习
2023-10-18 v1 人工智能
定量方法
摘要
合成致死（SL）预测用于识别两个基因的共突变是否导致细胞死亡。主流策略是将SL预测抽象为SL数据中基因节点上的边分类任务，并通过图神经网络（GNN）来实现。然而，GNN的消息传递机制存在局限，包括过平滑和过压缩问题。此外，利用大规模多组学数据中非SL基因关系的信息来促进SL预测是一个不小的挑战。为解决这些问题，我们提出了一种用于SL预测的基于多组学采样的图Transformer（MSGT-SL）。具体而言，我们引入了一个浅层多视图GNN，从SL和多组学数据中获取局部结构模式。进一步，我们将编码多视图信息的基因特征输入标准自注意力以捕获长程依赖。值得注意的是，从SL数据中的批量基因出发，我们采用跨多个涵盖这些基因的多组学基因图的并行随机游走采样。这种采样在使用自注意力之前，以结构感知的方式有效且适度地引入了组学中的基因。我们在真实世界SL任务上展示了MSGT-SL的有效性，证明了从图Transformer和多组学数据中获得的实证收益。
引用
@article{arxiv.2310.11082,
title = {Multi-omics Sampling-based Graph Transformer for Synthetic Lethality Prediction},
author = {Xusheng Zhao and Hao Liu and Qiong Dai and Hao Peng and Xu Bai and Huailiang Peng},
journal= {arXiv preprint arXiv:2310.11082},
year = {2023}
}