Desarrollo de nuevas arquitecturas neuronales en grafos para la inferencia de propiedades de redes biológicas

Autores
Borzone, Eugenio
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
tesis doctoral
Estado
versión aceptada
Colaborador/a o director/a de tesis
Gerard, Matías
Ponzoni, Ignacio
Granitto, Pablo
Olivera, Ana Carolina
Spetale, Flavio
Di Persia, Leandro
Descripción
Fil: Borzone, Eugenio. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.
Esta tesis desarrolla NEAConv, una arquitectura de red neuronal en grafos pensada para predecir propiedades de pares de nodos conectados, un tipo de problema central en bioinformática (similaridad molecular, interacciones proteína-proteína, anotación funcional) que las GNNs clásicas resuelven mal porque solo agregan información de nodos e ignoran la de las conexiones. NEAConv combina un mecanismo de atención tipo transformer que procesa nodos y conexiones en conjunto, con una función de pérdida híbrida que ordena el espacio de representaciones según la similaridad entre entidades. El modelo reduce el error de predicción de similaridad molecular un 87.5 % respecto de una línea base con perceptrones, y la ablación muestra que ambos componentes aportan de forma complementaria. Un resultado colateral importante: podar el grafo dejando solo las conexiones más centrales por nodo mejoró más el rendimiento que cualquier decisión de arquitectura, lo que sugiere que limpiar la red biológica pesa tanto como sofisticar el modelo. La arquitectura se validó además en predicción de interacciones proteína-proteína (donde supera al estado del arte en cinco organismos) y en anotación con Gene Ontology (donde iguala al mejor método especializado y supera a los demás), mostrando que los principios de diseño transfieren entre dominios.
This thesis develops NEAConv, a graph neural network architecture designed to predict properties of pairs of connected nodes, a type of problem that is central in bioinformatics (molecular similarity, protein-protein interactions, functional annotation) and that classical GNNs handle poorly because they only aggregate node information and ignore the information carried by the connections. NEAConv combines a transformer-style attention mechanism that processes nodes and connections jointly with a hybrid loss function that organizes the representation space according to the similarity between entities. The model reduces the error in molecular similarity prediction by 87.5% relative to a perceptron-based baseline, and the ablation study shows that both components contribute in a complementary way. An important secondary result: pruning the graph to keep only the most central connections per node improved performance more than any architectural decision, which suggests that cleaning up the biological network matters as much as making the model more sophisticated. The architecture was further validated on protein-protein interaction prediction (where it outperforms the state of the art across five organisms) and on Gene Ontology annotation (where it matches the best specialized method and outperforms the rest), showing that the design principles transfer across domains.
Consejo Nacional de Investigaciones Científicas y Técnicas
Materia
Redes neuronales en grafos
Tareas centradas en aristas
Mecanismos de atención
Aprendizaje auto-supervisado
Graph neural networks
Edge centric tasks
Attention mechanism
Auto-supervised learning
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
Repositorio
Biblioteca Virtual (UNL)
Institución
Universidad Nacional del Litoral
OAI Identificador
oai:https://bibliotecavirtual.unl.edu.ar:11185/9003

id UNLBT_6b7bf244a1a82d261d697ea04da286a0
oai_identifier_str oai:https://bibliotecavirtual.unl.edu.ar:11185/9003
network_acronym_str UNLBT
repository_id_str 2187
network_name_str Biblioteca Virtual (UNL)
spelling Desarrollo de nuevas arquitecturas neuronales en grafos para la inferencia de propiedades de redes biológicasDevelopment of novel graph neural network architectures for inferring properties of biological networksBorzone, EugenioRedes neuronales en grafosTareas centradas en aristasMecanismos de atenciónAprendizaje auto-supervisadoGraph neural networksEdge centric tasksAttention mechanismAuto-supervised learningFil: Borzone, Eugenio. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.Esta tesis desarrolla NEAConv, una arquitectura de red neuronal en grafos pensada para predecir propiedades de pares de nodos conectados, un tipo de problema central en bioinformática (similaridad molecular, interacciones proteína-proteína, anotación funcional) que las GNNs clásicas resuelven mal porque solo agregan información de nodos e ignoran la de las conexiones. NEAConv combina un mecanismo de atención tipo transformer que procesa nodos y conexiones en conjunto, con una función de pérdida híbrida que ordena el espacio de representaciones según la similaridad entre entidades. El modelo reduce el error de predicción de similaridad molecular un 87.5 % respecto de una línea base con perceptrones, y la ablación muestra que ambos componentes aportan de forma complementaria. Un resultado colateral importante: podar el grafo dejando solo las conexiones más centrales por nodo mejoró más el rendimiento que cualquier decisión de arquitectura, lo que sugiere que limpiar la red biológica pesa tanto como sofisticar el modelo. La arquitectura se validó además en predicción de interacciones proteína-proteína (donde supera al estado del arte en cinco organismos) y en anotación con Gene Ontology (donde iguala al mejor método especializado y supera a los demás), mostrando que los principios de diseño transfieren entre dominios.This thesis develops NEAConv, a graph neural network architecture designed to predict properties of pairs of connected nodes, a type of problem that is central in bioinformatics (molecular similarity, protein-protein interactions, functional annotation) and that classical GNNs handle poorly because they only aggregate node information and ignore the information carried by the connections. NEAConv combines a transformer-style attention mechanism that processes nodes and connections jointly with a hybrid loss function that organizes the representation space according to the similarity between entities. The model reduces the error in molecular similarity prediction by 87.5% relative to a perceptron-based baseline, and the ablation study shows that both components contribute in a complementary way. An important secondary result: pruning the graph to keep only the most central connections per node improved performance more than any architectural decision, which suggests that cleaning up the biological network matters as much as making the model more sophisticated. The architecture was further validated on protein-protein interaction prediction (where it outperforms the state of the art across five organisms) and on Gene Ontology annotation (where it matches the best specialized method and outperforms the rest), showing that the design principles transfer across domains.Consejo Nacional de Investigaciones Científicas y TécnicasGerard, MatíasPonzoni, IgnacioGranitto, PabloOlivera, Ana CarolinaSpetale, FlavioDi Persia, Leandro2026-09-15T16:33:25Z2026-08-20SNRDinfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfhttps://hdl.handle.net/11185/9003spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.esreponame:Biblioteca Virtual (UNL)instname:Universidad Nacional del Litoralinstacron:UNL2026-11-05T12:32:42Zoai:https://bibliotecavirtual.unl.edu.ar:11185/9003Institucionalhttp://bibliotecavirtual.unl.edu.ar/Universidad públicaNo correspondeajdeba@unl.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:21872026-11-05 12:32:42.52Biblioteca Virtual (UNL) - Universidad Nacional del Litoralfalse
dc.title.none.fl_str_mv Desarrollo de nuevas arquitecturas neuronales en grafos para la inferencia de propiedades de redes biológicas
Development of novel graph neural network architectures for inferring properties of biological networks
title Desarrollo de nuevas arquitecturas neuronales en grafos para la inferencia de propiedades de redes biológicas
spellingShingle Desarrollo de nuevas arquitecturas neuronales en grafos para la inferencia de propiedades de redes biológicas
Borzone, Eugenio
Redes neuronales en grafos
Tareas centradas en aristas
Mecanismos de atención
Aprendizaje auto-supervisado
Graph neural networks
Edge centric tasks
Attention mechanism
Auto-supervised learning
title_short Desarrollo de nuevas arquitecturas neuronales en grafos para la inferencia de propiedades de redes biológicas
title_full Desarrollo de nuevas arquitecturas neuronales en grafos para la inferencia de propiedades de redes biológicas
title_fullStr Desarrollo de nuevas arquitecturas neuronales en grafos para la inferencia de propiedades de redes biológicas
title_full_unstemmed Desarrollo de nuevas arquitecturas neuronales en grafos para la inferencia de propiedades de redes biológicas
title_sort Desarrollo de nuevas arquitecturas neuronales en grafos para la inferencia de propiedades de redes biológicas
dc.creator.none.fl_str_mv Borzone, Eugenio
author Borzone, Eugenio
author_facet Borzone, Eugenio
author_role author
dc.contributor.none.fl_str_mv Gerard, Matías
Ponzoni, Ignacio
Granitto, Pablo
Olivera, Ana Carolina
Spetale, Flavio
Di Persia, Leandro
dc.subject.none.fl_str_mv Redes neuronales en grafos
Tareas centradas en aristas
Mecanismos de atención
Aprendizaje auto-supervisado
Graph neural networks
Edge centric tasks
Attention mechanism
Auto-supervised learning
topic Redes neuronales en grafos
Tareas centradas en aristas
Mecanismos de atención
Aprendizaje auto-supervisado
Graph neural networks
Edge centric tasks
Attention mechanism
Auto-supervised learning
dc.description.none.fl_txt_mv Fil: Borzone, Eugenio. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.
Esta tesis desarrolla NEAConv, una arquitectura de red neuronal en grafos pensada para predecir propiedades de pares de nodos conectados, un tipo de problema central en bioinformática (similaridad molecular, interacciones proteína-proteína, anotación funcional) que las GNNs clásicas resuelven mal porque solo agregan información de nodos e ignoran la de las conexiones. NEAConv combina un mecanismo de atención tipo transformer que procesa nodos y conexiones en conjunto, con una función de pérdida híbrida que ordena el espacio de representaciones según la similaridad entre entidades. El modelo reduce el error de predicción de similaridad molecular un 87.5 % respecto de una línea base con perceptrones, y la ablación muestra que ambos componentes aportan de forma complementaria. Un resultado colateral importante: podar el grafo dejando solo las conexiones más centrales por nodo mejoró más el rendimiento que cualquier decisión de arquitectura, lo que sugiere que limpiar la red biológica pesa tanto como sofisticar el modelo. La arquitectura se validó además en predicción de interacciones proteína-proteína (donde supera al estado del arte en cinco organismos) y en anotación con Gene Ontology (donde iguala al mejor método especializado y supera a los demás), mostrando que los principios de diseño transfieren entre dominios.
This thesis develops NEAConv, a graph neural network architecture designed to predict properties of pairs of connected nodes, a type of problem that is central in bioinformatics (molecular similarity, protein-protein interactions, functional annotation) and that classical GNNs handle poorly because they only aggregate node information and ignore the information carried by the connections. NEAConv combines a transformer-style attention mechanism that processes nodes and connections jointly with a hybrid loss function that organizes the representation space according to the similarity between entities. The model reduces the error in molecular similarity prediction by 87.5% relative to a perceptron-based baseline, and the ablation study shows that both components contribute in a complementary way. An important secondary result: pruning the graph to keep only the most central connections per node improved performance more than any architectural decision, which suggests that cleaning up the biological network matters as much as making the model more sophisticated. The architecture was further validated on protein-protein interaction prediction (where it outperforms the state of the art across five organisms) and on Gene Ontology annotation (where it matches the best specialized method and outperforms the rest), showing that the design principles transfer across domains.
Consejo Nacional de Investigaciones Científicas y Técnicas
description Fil: Borzone, Eugenio. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.
publishDate 2026
dc.date.none.fl_str_mv 2026-09-15T16:33:25Z
2026-08-20
dc.type.none.fl_str_mv SNRD
info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_db06
info:ar-repo/semantics/tesisDoctoral
format doctoralThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/11185/9003
url https://hdl.handle.net/11185/9003
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Virtual (UNL)
instname:Universidad Nacional del Litoral
instacron:UNL
reponame_str Biblioteca Virtual (UNL)
collection Biblioteca Virtual (UNL)
instname_str Universidad Nacional del Litoral
instacron_str UNL
institution UNL
repository.name.fl_str_mv Biblioteca Virtual (UNL) - Universidad Nacional del Litoral
repository.mail.fl_str_mv jdeba@unl.edu.ar
_version_ 1881034374415122432
score 12.823554