Biological network analysis with deep learning, G. Muzio et al., Briefings in Bioinformatics, 22(2),1515–1530 (2021)
この論文を読んでみよう。
Abstract Recent advancements in experimental high-throughput technologies have expanded the availability and quantity of molecular data in biology. Given the importance of interactions in biological processes, such as the interactions between proteins or the bonds within a chemical compound,this data is often represented in the form of a biological network. The rise of this data has created a need for new computational tools to analyze networks. One major trend in the field is to use deep learning for this goal and, more specifically, to use methods that work with networks, the so-called graph neural networks (GNNs). In this article, we describe biological networks and review the principles and underlying algorithms of GNNs.Wethen discuss domains in bioinformatics in which graph neural networks are frequently being applied at the moment,such as protein function prediction, protein–protein interaction prediction and in silico drug discovery and development. Finally, we highlight application areas such as gene regulatory networks and disease diagnosis where deep learning is emerging as a new tool to answer classic questions like gene interaction prediction and automatic disease prediction from data.
実験的なハイスループット技術の最近の進歩により、生物学における分子データの利用可能性と量が拡大しました。タンパク質間の相互作用や化合物内の結合など、生物学的プロセスにおける相互作用の重要性を考えると、このデータは生物学的ネットワークの形で表されることがよくあります。このデータの台頭により、ネットワークを分析するための新しい計算ツールが必要になりました。この分野の主要な傾向の1つは、この目標にディープラーニングを使用することです。具体的には、ネットワークで機能する方法、いわゆるグラフニューラルネットワーク（GNN）を使用することです。この記事では、生物学的ネットワークについて説明し、GNNの原理と基礎となるアルゴリズムを確認します。次に、タンパク質機能予測、タンパク質間相互作用予測、インシリコなど、グラフニューラルネットワークが現在頻繁に適用されているバイオインフォマティクスのドメインについて説明します。創薬と開発。最後に、遺伝子調節ネットワークや疾患診断など、遺伝子相互作用の予測やデータからの自動疾患予測などの古典的な質問に答えるための新しいツールとしてディープラーニングが登場しているアプリケーション分野に焦点を当てます。by Google翻訳
難しいな、とりあえず、保留！
