Application of Graph Neural Networks for biomedical data

Abstract

El rápido desarrollo de las tecnologías de recopilación de datos biomédicos hace posible el análisis integral de datos, pero los métodos tradicionales a menudo tienen dificultades para manejar datos complejos e irregulares. Aunque las Redes Neuronales Convolucionales (CNNs) han mejorado el análisis de imágenes biomédicas, son menos efectivas para datos no euclidianos como los gráficos. Por el contrario, las Redes Neuronales de Gráficos (GNNs) ofrecen una solución innovadora al capturar relaciones complejas y estructuras topológicas en datos de gráficos. Este trabajo final ofrece una descripción completa de las aplicaciones y retos de las GNN en el análisis de datos biomédicos. Los principales modelos de GNN, incluidos Graph Convolutional Networks (GCN), Graph Attention Networks (GAT) y GraphSAGE, se explican y luego se implementan a través de dos estudios de caso detallados, demostrando su viabilidad y eficacia. En general, este trabajo destaca el potencial de las GNN en bioinformática, brindando un apoyo sólido para el análisis de datos biomédicos complejos y proporcionando información útil para futuras investigaciones y desarrollos en este campo.