图神经网络解释方法揭示生物网络中的疾病特征

研究人员评估了四种流行的图神经网络（GNN）解释方法，以了解它们在识别生物网络中疾病相关结构方面的有效性。利用合成数据和乳腺癌RNA测序数据，研究发现不同的方法在揭示不同类型的生物信号方面表现出色，例如单节点驱动因素或分布式通路。通过结合多种解释器的共识得分并纳入拓扑信息，研究人员改进了关键癌症基因的优先级排序和生物学相关信号通路的恢复。 AI

影响 提高了GNN的生物可解释性，有望带来更准确的疾病诊断和药物发现。

排序理由 该集群包含一篇学术论文，详细介绍了在生物学背景下解释图神经网络输出的新方法。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• BRCA1
• ERBB2
• ESR1
• GNNExplainer
• Graph neural networks
• Integrated Gradients
• Layer-wise Relevance Propagation
• Saliency Attribution
• TCGA BRCA data
• TP53

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →