질병 연관 유전자 발굴을 위한 이종적인 어텐티브 그래프 합성곱 신경망 (HAGCN: Heterogeneous Attentive GCN for Gene-Disease Association)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회논문지 / 52권 / 2호 / 161 ~ 169페이지
· 저자명 : 김기범, 송길태

초록

유전자-질환 연관성 예측은 질병 메커니즘 이해 및 유전자 타겟 발굴에 필수적이나, 실험실 환경에서의 검증 방식은 시간과 비용이 많이 든다. 딥러닝, 특히 그래프 신경망이 이 문제 해결에 큰 가능성을 보여주었으나, 기존 모델들은 유전자, 질병 등 생물학적 개념들 사이 이종성을 모델 의사결정에 반영하지 못 하거나, 이종성 정보를 인간이 직접 정의해야 했다. 이러한 문제를 해결하기 위해 본 연구는 이종적인 어텐티브 그래프 합성곱 신경망 (HAGCN)을 제안한다. HAGCN은 유전자, 질병 등 이종적 개념들의 연관관계 그래프를 입력 데이터로 사용한다. 본 연구는 입력 데이터 구축을 위해 Gene Ontology, Disease Ontology, Human Phenotype Ontology, TBGA 와 같이 큐레이션 된 데이터베이스들로부터 연관관계정보를 얻었다. HAGCN은 어텐션 메커니즘을 사용해 메타-패스 없이 생물학적 개념들 연관관계의 이종성 정보를 학습한다. HAGCN은 유전자-질환 연관성 예측에서 AUROC 최고 성능을 달성했으며, 다른 지표에서도 비교모델 대비 경쟁력을 보였다. 본 연구는 HAGCN을 통해 질병 연관 유전자 발견을 가속화 하고, 계산 신약 개발 분야 발전에 기여하는 것을 그 목표로 한다.

영어초록

Predicting gene-disease associations (GDAs) is essential for understanding molecular mechanisms, diagnosing disease, and targeting genes. Validating causal relationships between diseases and genes using experimental methods can be extremely costly and time-consuming. Deep learning, particularly graph neural networks, has shown great promise in this area. However, most models rely on single-source, homogeneous graphs. Another is the need for expert knowledge in manual definition of meta-paths to build multi-source heterogeneous graphs. Recognizing these challenges, the present study introduces the Heterogeneous Attentive Graph Convolution Network (HAGCN). HAGCN processes heterogeneous biological entity association graphs as input. We construct the input graphs using the biological association information from curated databases such as Gene Ontology, Disease Ontology, Human Phenotype Ontology, and TBGA. HAGCN learns the relationship heterogeneity between biological entities without meta-paths by using the attention mechanism. HAGCN achieved the best performance in AUC-ROC in a binary classification task to predict gene-disease association, and also achieved competitive performance in F1 score, MCC, and accuracy against baselines. We believe that HAGCN can accelerate the discovery of disease-associated genes and contribute to computational drug discovery.

참고자료

· 없음