Detailansicht
Graph-enhanced gene embeddings for biological process prediction
architecture design and topological analysis
Zoé Dézsi
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Mathematik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Mathematik
Betreuer*in
Jörg Menche
DOI
10.25365/thesis.81159
URN
urn:nbn:at:at-ubw:1-24762.95655.703246-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die Vorhersage der Genfunktionen ist grundlegend für das Verständis zellulärer Prozesse und Krankenheitsmechanismen, doch die Annotation durch traditionelle biologische Experimente bleibt eine Herausforderung. Obwohl Graphneuronale Netze vielversprechende Ergebnisse bei der Verwendung von Protein-Protein-Interaktionsnetzwerken gezeigt haben, sind Integrationsstrategien für ergänzende Graphen der funktionalen Ähnlichkeit doch wenig erforscht. Diese Arbeit vergleicht sechs Einbettungsarchitekturen, um optimale Strategien zur Integration von Doppelgraphen für die Vorhersage biologischer Funktionen zu ermitteln. Wir bewerten Modelle basierend auf einer Dual-View-Graph-Neural-Network-Architektur: alternierende Konkatenation, frühe Konkatenation und späte Konkatenation. Darüber hinaus werden drei Einzel-View-Baselines über mehrere Gene Ontology-Filterstrategien hinweg verwendet, um die Vorhersageleistung zu bewerten. Wichtige Erkenntnisse zeigen, dass die unabhängige Verarbeitung von Graphen vor der Zsammenführung sowohl die frühe Fusion als auch komplexe alternierende Strategien übertrifft. Die alleinige Verwendung des Funktionsähnlichkeitsgraphen, der aus den Gene Ontology-Annotationen der molekularen Funktion abgeleitet wurde, führt zu einer besseren Leistung als die alleinige Verwendung des Protein-Protein-Interaktionsnetzwerks, wahrscheinlich weil seine modulare Struktur die zugrunde liegenden biologischen Prozesse genauer widerspiegelt. Alle Modelle weisen eine hohe Erkennungsrate auf, unterscheiden sich jedoch in der Präzision, was zeigt, die Reduzierung von Falsch-Positiv-Ergebnissen die kritische Einschränkung darstellt. Die selektive Termfilterung verbessert die Präzision erheblich, indem sie das Ungleichgewicht der Klassen berüchsichtigt.
Abstract
(Englisch)
Gene function prediction is fundamental to understanding cellular processes and disease mechanisms, yet annotation through traditional biological experiments remains challenging. While graph neural networks have shown promise using protein-protein interaction networks, integration strategies for complementary functional similarity graphs are underexplored. This thesis compares six embedding architectures to determine optimal dual-graph integration strategies for biological function prediction. We evaluate three models based on a dual-view graph neural network architecture: alternating concatenation, early concatenation, and late concatenation. Moreover, three single-view baselines across multiple Gene Ontology filtering strategies are used to assess prediction performance. Key findings establish that processing graphs independently before concatenation outperforms both early fusion and complex alternating strategies. Using only the functional similarity graph derived from Gene Ontology molecular function annotations yields better performance than using the protein-protein interaction network alone, likely because its modular structure more closely reflects underlying biological processes. All models maintain high recall while differing in precision, revealing false positive reduction as the critical limitation. Selective term filtering substantially improves precision by addressing class imbalance.
Schlagwörter
Schlagwörter
(Deutsch)
Maschinelles Lernen Graph Neural Networks Deep Learning Genfunktionsvorhersage
Autor*innen
Zoé Dézsi
Haupttitel (Englisch)
Graph-enhanced gene embeddings for biological process prediction
Hauptuntertitel (Englisch)
architecture design and topological analysis
Publikationsjahr
2026
Umfangsangabe
ix, 53 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Jörg Menche
Klassifikation
31 Mathematik > 31.80 Angewandte Mathematik
AC Nummer
AC17891558
Utheses ID
80141
Studienkennzahl
UA | 066 | 821 | |