Gráf neurális hálózatok alkalmazása gén-betegség asszociációk jóslására

Tanszéki konzulens: 
A munkatárs fényképe
associate professor
Szoba: IE425
Tel.:
+36 1 463-4116
Email: gezsi (*) mit * bme * hu

A kiírás adatai

A téma státusza: 
Aktív (aktuális, lehet rá jelentkezni)
Kiírás éve: 
2023
A kiírás jellege: 
önálló labor, szakdolgozat/diplomaterv

A gráf neurális hálózatok a neurális hálózatoknak jelenleg egyik legdinamikusabban fejlődő területét képezik.

A különféle entitások között fennálló páronkénti kapcsolatokra vonatkozó, ún. hálózatos tudás, illetve az ilyen jellegű adatok mennyisége szintén jelentősen növekszik. Számos területen, mind a természet- és a társadalomtudományokban, a gráf jellegű adatok általánosan elterjedtek és használatosak. A gráf neurális hálózatok alkalmazásának célja, hogy olyan rendszereket hozzunk létre, amelyek ezt a hálózatos tudást is felhasználják a tanulás, illetve következtetés során.

A betegségek molekuláris mechanizmusainak feltárása a betegségek kialakulásának, lefolyásának és kezelésének szempontjából is alapvető jelentőségű. Ennek részét jelenti a betegségekkel összefüggésbe hozható gének felderítése, amelyre az elmúlt évtizedekben számos próbálkozás és predikciós módszer született.

A témakiírás célja olyan a gráf neurális hálózatok alkalmazása ezen a problématerületen. Ehhez első lépésben létre kell hozni egy heterogén hálózatot, amelyben betegség, illetve gén (fehérje) csomópontok és a közöttük lévő heterogén kapcsolatok találhatók. A következő lépésben pedig különféle architektúrájú gráf neurális hálózati modelleket kell létrehozni, tanítani és alkalmazni a hálózaton.

Kapcsolódó cikkek:

Choi W, Lee H (2021) Identifying disease-gene associations using a convolutional neural network-based model by embedding a biological knowledge graph with entity descriptions. PLOS ONE 16(10): e0258626. https://doi.org/10.1371/journal.pone.0258626

Azadifar, S., Ahmadi, A. A novel candidate disease gene prioritization method using deep graph convolutional networks and semi-supervised learning. BMC Bioinformatics 23, 422 (2022). https://doi.org/10.1186/s12859-022-04954-x

Feladatok jellege:

Heterogén hálózat építése, gráf neurális hálózati modellek alkotása, tanítása, kiértékelése,

Keretrendszer:

pytorch, pytorch geometric

© 2010-2024 BME MIT