DA-HGL: a domain-augmented heterogeneous graph learning framework for protein function prediction.

Araştırma özeti

Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by

Doğru protein fonksiyon tahmini, hastalık mekanizmalarını deşifre etmek ve hassas tıbbı ilerletmek için kritik öneme sahiptir, ancak seyrek anotlara sahip proteinler için zor olmaya devam etmektedir. Geleneksel yöntemler, açıklama seyrekliği ile mücadele eder ve multimodal verileri bütünsel olarak entegre edemez. Protein dizileri, alan mimarileri ve Gen Ontolojisi (GO) hiyerarşilerini çok katmanlı bir grafik ve çift biyolojik kısıtlamalarla negatif olmayan matris faktörizasyonu ile birleştiren heterojen bir grafik öğrenme çerçevesi olan DA-HGL'yi önermekteyiz. DA-HGL benzersiz bir şekilde etki alanı-fonksiyon tutarlılığını, GO semantik tutarlılığını ve topolojik tutarlılığı modellemektedir. Maya ve insan proteomları üzerinde değerlendirilen DA-HGL, son teknoloji yöntemlere göre %9,0 (yeast CC) ve %17,2 (insan BP) Fmax kazanımları elde eder. Dinamik olarak domain-context çağrışımlarını öğrenerek ve notasyon seyrekliğini çözerek, DA-HGL soğuk başlangıç senaryolarında ve hastalığa özgü tahminlerde (örn. Parkinson'un "ubiquitin-bağımlı katabolizması"). Bu çerçeve fonksiyonel genomik ve hassas tıbbı hızlandırmak için sağlam bir araç sunar. Kod/veri: https://github.com/husaiccsu/DA-HGL.

Özgün kaynak özetini okuyun

Accurate protein function prediction is critical for deciphering disease mechanisms and advancing precision medicine, yet remains challenging for proteins with sparse annotations. Traditional methods struggle with annotation sparsity and fail to integrate multimodal data holistically. We propose DA-HGL, a heterogeneous graph learning framework that integrates protein sequences, domain architectures, and Gene Ontology (GO) hierarchies through a multilayered graph and non-negative matrix factorization with dual biological constraints. DA-HGL uniquely models domain-function coherence, GO semantic consistency, and topological congruence. Evaluated on yeast and human proteomes, DA-HGL achieves Fmax gains of 9.0% (yeast CC) and 17.2% (human BP) over state-of-the-art methods. By dynamically learning domain-context associations and resolving annotation sparsity, DA-HGL excels in cold-start scenarios and disease-specific predictions (e.g. Parkinson's "ubiquitin-dependent catabolism"). This framework offers a robust tool for accelerating functional genomics and precision medicine. Code/data: https://github.com/husaiccsu/DA-HGL.

Bilimsel değerlendirme

Araştırma sorusu

Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.

Yöntem ve örneklem

Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.

Temel bulgular

Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.

Sınırlılıklar

Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.

Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.