通过多层组织网络预测多细胞功能
机器学习
2017-07-18 v1 社会与信息网络
分子网络
机器学习
摘要
动机：理解人类特定组织中蛋白质的功能对于疾病诊断与治疗至关重要，然而组织特异性细胞功能的预测仍是生物医学的一项关键挑战。结果：在此我们提出 OhmNet，一种用于多层网络的层次感知无监督节点特征学习方法。我们构建了一个多层网络，其中每一层代表不同人类组织中的分子相互作用。OhmNet 随后自动学习将表示为节点的蛋白质映射到基于神经嵌入的低维特征空间。OhmNet 鼓励具有相似网络邻域的蛋白质之间以及在与相似组织中激活的蛋白质之间共享相似特征。该算法通过以丰富的多尺度组织层次对组织进行建模，推广了通常忽略组织间关系的先前工作。我们使用 OhmNet 在 107 个人类组织的多层蛋白质相互作用网络中研究多细胞功能。在具有已知组织特异性细胞功能的 48 个组织中，OhmNet 比替代方法提供更准确的细胞功能预测，并且产生关于组织特异性蛋白质作用的更准确假设。我们表明考虑组织层次可带来预测能力的提升。值得注意的是，我们还证明可利用组织层次有效地将细胞功能转移到功能未表征的组织。总体而言，OhmNet 从平面网络走向能够预测跨越细胞子系统的系列表型的多尺度模型。
引用
@article{arxiv.1707.04638,
title = {Predicting multicellular function through multi-layer tissue networks},
author = {Marinka Zitnik and Jure Leskovec},
journal= {arXiv preprint arXiv:1707.04638},
year = {2017}
}
备注
In Proceedings of the 25th International Conference on Intelligent Systems for Molecular Biology (ISMB), 2017