Gén-betegség asszociációk prediktálása heterogén gráf neurális hálózatok felhasználásával
Gének és betegségek közti kapcsolatok (gene-disease association, GDA) ismerete felhasználható a betegségek mögött rejlő mechanizmusok mélyebb megértéséhez, ez által végső soron hozzájárulhat új fajta diagnosztikai, prevenciós és kezelési módszerek fejlesztéséhez. Azonban a tudásunk koránt sem teljes, a valódi gén-betegség asszociációk nagy részét feltehetően még nem felfedeztük fel. Nehézséget jelent, hogy az új, hipotetikus asszociációk kísérletes igazolása költséges és időigényes feladat. Hasznos lehet egy módszer, ami képes várhatóan valóságos új asszociációkat javasolni, így lecsökkentve a negatív eredményű kísérletekre szánt erőforrásokat.
Az orvostudomány által felhalmozott genomikai mérési eredmények, illetve kollektív tudás messze túlnőtte az egyén által könnyen megérthető méretet, ezért az elmúlt években a gépi tanulás-alapú módszerek kerültek az orvosbiológiai elemzések középpontjába. Ilyen módszer a gráf neurális hálózat, mely alkalmas félig felügyelt módon megtanulni és jósolni entitás párok közti releváns kapcsolatok jelenlétét vagy hiányát.
Dolgozatomban különböző biológiai adatbázisokat integráltam egy heterogén tudáshálózattá, melyben két típust képez a gének és a betegségek halmaza. Megvizsgáltam és kiértékeltem különböző architektúrájú gráf neurális hálózatok teljesítményét a tudáshálózatomban található gén-betegség asszociációk prediktálásában.
szerző
-
Glávits Balázs Róbert
Mérnök informatikus szak, mesterképzés
mesterképzés (MA/MSc)
konzulens
-
Dr. Gézsi András
egyetemi docens, Méréstechnika és Információs Rendszerek Tanszék
