An end-to-end framework for gene expression classification by integrating a background knowledge graph: application to cancer prognosis prediction
1. 本研究の学術的な背景と研究が解決する問題は何ですか？
==> 生物学データは、遺伝子発現などのプライマリデータと、生物学的プロセスやタンパク質間相互作用などのセカンダリデータに分けられます。本研究では、セカンダリデータをプライマリデータの解析に活用することで、より詳細な分析を可能にすることが目的とされています。
2. 本研究の目的及び学術的独自性と創造性は何ですか？
==> 本研究は、生物学的ネットワークを活用してがんの予後を予測するための分類モデルを構築することを目的としています。一般的な深層ニューラルネットワーク (DNN) に比べて高い分類精度を達成し、既存のバイオマーカーだけでなく、新しいバイオマーカー候補を同定することができる点が独自性と創造性として挙げられます。
3. 研究の着想を得た経緯や、関連する国内外の研究動向とは何ですか？
==> 生物学的ネットワークを用いたがん分類の研究は国内外で行われています。最近では、生物学的プロセスやタンパク質間相互作用などのセカンダリデータを活用してプライマリデータの解析を補完する手法が注目されています。
4. 本研究で何をどのように、どこまで明らかにした？
==> 本研究では、生物学的ネットワークを活用してがんの予後を予測するための分類モデルを提案し、その構築方法について明らかにしました。生物学的ネットワーク情報を有する分類モデルが一般的な深層ニューラルネットワーク (DNN) よりも高い分類精度を達成し、既存のバイオマーカーに加えて新しいバイオマーカー候補を同定することができることが示されました。
5. 本研究の有効性はどのように検証した？
==> 本研究では、交差検証を用いてモデルの精度を評価しました。がんタイプごとに実験を行い、多くのグループでROC curveの面積が改善されたことが実証されました。さらに、遺伝子発現データなどのデータから、高精度データからバイオマーカーの候補の同定を行うことによって、多数のバイオマーカー候補を同定することができました。