Bio-Inspired Generative Network with Knowledge Integration
Notice bibliographique
Résumé
Generating realistic synthetic gene expression data that captures the complex interdependencies and biological context of cellular systems remains a significant challenge. Existing methods often struggle to reproduce intricate co-expression patterns and incorporate prior biological knowledge effectively. To address these limitations, we propose BioGen-KI, a novel bio-inspired generative network with knowledge integration. Our framework leverages a hybrid deep learning architecture that integrates embeddings learned from biological knowledge graphs (e.g., gene regulatory networks, pathway databases) with a conditional generative adversarial network (cGAN). The knowledge graph embeddings guide the generator to produce synthetic expression profiles that respect known biological relationships, while conditioning on contextual information (e.g., cell type, experimental condition) allows for targeted data synthesis. Furthermore, we introduce a biologically informed discriminator that evaluates not only the statistical realism but also the biological plausibility of the generated data, encouraging the preservation of pathway coherence and relevant gene interactions. We demonstrate the efficacy of BioGen-KI by generating synthetic gene expression datasets that exhibit improved statistical similarity to real data and, critically, better preservation of biologically meaningful relationships compared to baseline GAN models and methods relying solely on statistical characteristics. Evaluation on downstream tasks, such as clustering and differential gene expression analysis, highlights the utility of BioGen-KI-generated data for enhancing the robustness and interpretability of biological data analysis. This work presents a significant step towards generating more biologically faithful synthetic gene expression data for research and development.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».