GENER: A Parallel Layer Deep Learning Network To Detect Gene-Gene Interactions From Gene Expression Data

要約

既知の遺伝子発現および遺伝子相互作用データに基づいて新しい遺伝子相互作用を検出および発見することは、大きな課題です。
さまざまな統計的および深層学習の手法が、遺伝子相互作用のトポロジー構造と遺伝子発現パターンを活用して新しい遺伝子相互作用を予測することで、この課題に取り組もうと試みてきました。
対照的に、一部のアプローチは遺伝子発現プロファイルの利用のみに焦点を当てています。
これに関連して、遺伝子発現データを使用して遺伝子間の関係を特定すること専用に設計された並列層深層学習ネットワークである GENER を紹介します。
私たちは 2 つのトレーニング実験を実施し、ネットワークのパフォーマンスを既存の統計および深層学習アプローチと比較しました。
特に、私たちのモデルは、BioGRID&DREAM5 データセットを組み合わせた場合に平均 AUROC スコア 0.834 を達成し、遺伝子間相互作用の予測において競合する手法を上回りました。

要約(オリジナル)

Detecting and discovering new gene interactions based on known gene expressions and gene interaction data presents a significant challenge. Various statistical and deep learning methods have attempted to tackle this challenge by leveraging the topological structure of gene interactions and gene expression patterns to predict novel gene interactions. In contrast, some approaches have focused exclusively on utilizing gene expression profiles. In this context, we introduce GENER, a parallel-layer deep learning network designed exclusively for the identification of gene-gene relationships using gene expression data. We conducted two training experiments and compared the performance of our network with that of existing statistical and deep learning approaches. Notably, our model achieved an average AUROC score of 0.834 on the combined BioGRID&DREAM5 dataset, outperforming competing methods in predicting gene-gene interactions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google