Fugu-MT 論文翻訳(概要): Conditional Hierarchical Bayesian Tucker Decomposition for Genetic Data Analysis

論文の概要: Conditional Hierarchical Bayesian Tucker Decomposition for Genetic Data Analysis

arxiv url: http://arxiv.org/abs/1911.12426v7
Date: Fri, 16 Aug 2024 20:10:03 GMT
ステータス: 処理完了
システム内更新日: 2024-08-21 06:51:56.072763
Title: Conditional Hierarchical Bayesian Tucker Decomposition for Genetic Data Analysis
Title（参考訳）: 遺伝的データ解析のための条件付き階層型ベイズタッカー分解
Authors: Adam Sandler, Diego Klabjan, Yuan Luo,
Abstract要約: 4種類のがんに共通する危険因子を見つけるために,患者の変異に基づいて遺伝子および生物学的経路群を作成する。遅延ディリクレ割り当てを複数の次元に拡張し、階層的トピックモデリングのための異なる手法を設計する。
参考スコア（独自算出の注目度）: 16.086678713206684
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We analyze large, multi-dimensional, sparse counting data sets, finding unsupervised groups to provide unique insights into genetic data. We create gene and biological pathway groups based on patients' variants to find common risk factors for four common types of cancer (breast, lung, prostate, and colorectal) and autism spectrum disorder. To accomplish this, we extend latent Dirichlet allocation to multiple dimensions and design distinct methods for hierarchical topic modeling. We find that our conditional hierarchical Bayesian Tucker decomposition models are more coherent than baseline models.
Abstract（参考訳）: 我々は、大規模で多次元のスパースカウントデータセットを分析し、遺伝的データに対するユニークな洞察を提供するために教師なしのグループを見つける。本研究は,4種類のがん(乳癌,肺がん,前立腺がん,大腸癌)と自閉症スペクトラム障害の共通危険因子を見つけるために,患者の変異に基づく遺伝子および生物学的経路群を作成する。そこで我々は,遅延ディリクレ割り当てを複数の次元に拡張し,階層的トピックモデリングのための異なる手法を設計する。条件付き階層的ベイズ・タッカー分解モデルはベースラインモデルよりも一貫性が高い。

関連論文リスト

Identifying latent disease factors differently expressed in patient subgroups using group factor analysis [54.67330718129736]
本稿では,サブグループ特異的およびサブグループ共通潜在因子を明らかにするための新しいアプローチを提案する。提案手法は,正規化されたホースシュー先行群を用いたスパース群因子解析 (GFA) であり,確率計画法を用いて実装した。
論文参考訳（メタデータ） (2024-10-10T13:12:14Z)
Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
論文参考訳（メタデータ） (2024-07-16T14:05:03Z)
GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。 GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文参考訳（メタデータ） (2024-06-01T08:01:05Z)
Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文参考訳（メタデータ） (2023-01-07T18:36:44Z)
Unsupervised Probabilistic Models for Sequential Electronic Health Records [3.8015092217142223]
モデルは、データの基盤構造をエンコードする遅延変数の階層化セットで構成されている。我々は,北カリフォルニアのKaiser Permanente(カイザー・パーマネンテ)統合型ヘルスケアデリバリーシステムにおいて,医療を受ける被験者のエピソードデータに基づいて,このモデルを訓練する。トレーニングされたモデルの結果として得られる特性は、これらの複雑で多面的なデータから新しい洞察を生み出す。
論文参考訳（メタデータ） (2022-04-15T02:11:44Z)
High-dimensional multi-trait GWAS by reverse prediction of genotypes [3.441021278275805]
逆回帰は、高次元設定でマルチトレイGWASを実行するための有望なアプローチである。マルチトランジットGWASにおける逆回帰のための異なる機械学習手法を解析した。モデル特徴係数は変異体と個々の形質の関連性の強さと相関し,真のトランス-eQTL標的遺伝子を予測した。
論文参考訳（メタデータ） (2021-10-29T22:34:35Z)
Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
論文参考訳（メタデータ） (2021-10-11T12:48:44Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)
PANTHER: Pathway Augmented Nonnegative Tensor factorization for HighER-order feature learning [7.7415390727490445]
Augmented Pathway Non negative factorization for HighER-order Feature Learning (PANTHER) を紹介する。 PANTHERは分子機構を直接コードする遺伝子経路を選択する。特定経路群を用いて,病型別ソフトマックス分類器を訓練する。
論文参考訳（メタデータ） (2020-12-15T19:39:55Z)
Recommendations for Bayesian hierarchical model specifications for case-control studies in mental health [0.0]
研究者は、すべての被験者が共通の集団から引き出されたと仮定するか、またはそれらを別の集団から派生したものとしてモデル化するかを選択する必要がある。一般的に使用される帯域幅タスクから合成多群行動データに対する系統シミュレーションを行った。適合群は,全ての条件において,最も正確かつ堅牢な推論を別々に提供した。
論文参考訳（メタデータ） (2020-11-03T14:19:59Z)
Supervised Convex Clustering [1.4610038284393165]
我々はSupervised Convex Clustering (SCC) という新しい統計パターン発見手法を提案し,開発する。 SCCは、情報ソースとガイドの両方から、共同凸核融合ペナルティを通じてより解釈可能なパターンを見つけるための強度を借りている。シミュレーションによるSCCの実用的メリットとアルツハイマー病ゲノム学のケーススタディを示す。
論文参考訳（メタデータ） (2020-05-25T16:12:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。