ExPath: Towards Explaining Targeted Pathways for Biological Knowledge Bases
作者: Rikuto Kotoge, Ziwei Yang, Zheng Chen, Yushun Dong, Yasuko Matsubara, Jimeng Sun, Yasushi Sakurai
发布时间: 2025-02-27
来源: arxiv
研究方向: 生物信息学与机器学习
主要内容
该研究提出了一种名为ExPath的深度学习框架，用于从生物知识库中推断目标路径。该框架通过结合图学习、解释和蛋白质语言模型等技术，实现了从实验数据中推断生物网络中的关键分子相互作用。
主要贡献
1. 提出了一种新的生物网络推断问题，即推断特定数据路径。
2. 开发了一个新的框架ExPath，它由PathMamba和PathExplainer组成，旨在进行路径级建模，并可以直接解释数据。
3. 提出了面向机器学习的生物评估和新的度量标准，证明了推断路径的生物相关性。
4. 收集并构建了机器学习准备好的数据集，并将很快公开发布。
研究方法
1. 大型蛋白质语言模型（pLM）编码和嵌入氨基酸序列（AA-seqs）到图中。
2. PathMamba，一种混合架构，结合了图神经网络（GNNs）和状态空间序列建模（Mamba）来捕获局部交互和全局路径级依赖关系。
3. PathExplainer，一个子图学习模块，通过可训练的路径掩码识别功能关键的节点和边。
4. 面向机器学习的生物评估和新的度量标准。
实验结果
实验结果表明，ExPath推断的路径保持了生物意义。PathMamba在生物网络分类任务中优于所有基线模型。PathExplainer在解释路径方面表现出色，能够有效地解释必要和充分的子图。
未来工作
未来工作将扩展ExPath以分析其他类型的生物网络，使其能够更广泛地应用于系统生物学和医学。