面向利用图神经网络的概率生成模型进行疾病-基因预测
机器学习
2019-07-15 v1 机器学习
摘要
疾病-基因预测（DGP）指的是预测基因与疾病之间关联的计算挑战。对 DGP 问题的有效求解有望通过在早期阶段高效优先排序各种疾病的候选基因来加速治疗开发流程。在本工作中，我们引入变分图自编码器（VGAE）作为一种有前景的无监督方法，用于在疾病-基因网络中学习强大的潜嵌入，可用于 DGP 问题，这是首个使用涉及图神经网络（GNNs）的生成模型的方法。除引入 VGAE 作为 DGP 问题的有前景方法外，我们进一步提出一种扩展（约束-VGAE 或 C-VGAE），其调整了学习算法以用于异质图中两类不同节点间的链接预测。我们评估并展示了 VGAE 在疾病-基因关联网络中通用链接预测的有效性，以及 C-VGAE 在同一网络中疾病-基因预测的有效性，使用流行的随机游走驱动方法作为基线。尽管所提出的方法仅利用疾病-基因关联网络的拓扑结构即展现出潜力，但可通过整合额外的生物网络（如基因/蛋白质相互作用网络）以及与疾病-基因关联网络中表示的疾病和基因相关的额外生物特征来进一步增强和探索。
引用
@article{arxiv.1907.05628,
title = {Towards Probabilistic Generative Models Harnessing Graph Neural Networks for Disease-Gene Prediction},
author = {Vikash Singh and Pietro Lio'},
journal= {arXiv preprint arXiv:1907.05628},
year = {2019}
}
备注
Workshop on Computational Biology (WCB) at ICML 2019