Embedding gerarchici basati su GNN prevedono gli effetti della delezione genica nel lievito
Una tecnica innovativa utilizza reti neurali grafiche (GNN) potenziate da una perdita semantica derivata da ontologie per generare embedding di grafi di conoscenza (KG) che tengono conto della gerarchia. Questo metodo viene impiegato per prevedere e analizzare gli effetti delle delezioni geniche nel lievito Saccharomyces cerevisiae. Un grafo di conoscenza per il lievito, costruito da database comunitari e termini ontologici, viene integrato con embedding a scatola a bassa dimensionalità e GNN per stimare la crescita cellulare dopo doppie delezioni geniche. Attraverso una convalida incrociata oltre 10 volte, le previsioni producono un punteggio R² medio di 0,360, superando significativamente i risultati di base, indicando che la conoscenza qualitativa di alto livello influenza i risultati sperimentali. Inoltre, questo metodo consente di apprendere embedding a scatola nei KG senza un compito di previsione e getta le basi per valutare le modifiche ai KG.
Fatti principali
- Il metodo utilizza GNN con perdita semantica da ontologie per embedding KG gerarchici.
- Applicato per prevedere e interpretare gli effetti delle delezioni geniche in Saccharomyces cerevisiae.
- KG del lievito costruito da database comunitari e termini ontologici.
- Embedding a scatola a bassa dimensionalità combinati con GNN prevedono la crescita cellulare per doppie delezioni geniche.
- Convalida incrociata 10 volte produce un punteggio R² medio di 0,360.
- Previsioni significativamente superiori rispetto ai confronti di base.
- Gli embedding a scatola possono essere appresi senza un compito di previsione.
- Gli embedding a scatola servono come base per valutare le revisioni dei KG.
Entità
—