Fugu-MT 論文翻訳(概要): Transform-Domain Classification of Human Cells based on DNA Methylation Datasets

論文の概要: Transform-Domain Classification of Human Cells based on DNA Methylation Datasets

arxiv url: http://arxiv.org/abs/1912.13167v1
Date: Tue, 31 Dec 2019 04:18:11 GMT
ステータス: 処理完了
システム内更新日: 2023-01-16 21:18:08.637922
Title: Transform-Domain Classification of Human Cells based on DNA Methylation Datasets
Title（参考訳）: DNAメチル化データセットに基づくヒト細胞のトランスフォームドメイン分類
Authors: Xueyuan Zhao and Dario Pompili
Abstract要約: Walsh-Hadamard Transform (WHT) の変換による全CpG島におけるDNAメチル化強度の測定を統合するパイプラインが提案されている。提案手法は, エピジェノムおよびゲノムデータセットによる急速疾患および正常ヒト細胞分類に広く応用されている。
参考スコア（独自算出の注目度）: 8.922553037367075
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A novel method to classify human cells is presented in this work based on the transform-domain method on DNA methylation data. DNA methylation profile variations are observed in human cells with the progression of disease stages, and the proposal is based on this DNA methylation variation to classify normal and disease cells including cancer cells. The cancer cell types investigated in this work cover hepatocellular (sample size n = 40), colorectal (n = 44), lung (n = 70) and endometrial (n = 87) cancer cells. A new pipeline is proposed integrating the DNA methylation intensity measurements on all the CpG islands by the transformation of Walsh-Hadamard Transform (WHT). The study reveals the three-step properties of the DNA methylation transform-domain data and the step values of association with the cell status. Further assessments have been carried out on the proposed machine learning pipeline to perform classification of the normal and cancer tissue cells. A number of machine learning classifiers are compared for whole sequence and WHT sequence classification based on public Whole-Genome Bisulfite Sequencing (WGBS) DNA methylation datasets. The WHT-based method can speed up the computation time by more than one order of magnitude compared with whole original sequence classification, while maintaining comparable classification accuracy by the selected machine learning classifiers. The proposed method has broad applications in expedited disease and normal human cell classifications by the epigenome and genome datasets.
Abstract（参考訳）: 本研究は,DNAメチル化データに基づくトランスドメイン法に基づいて,ヒト細胞を新規に分類する手法を提案する。 DNAメチル化プロファイルの変異は、疾患の進行に伴ってヒト細胞で観察され、このDNAメチル化変異に基づいて、がん細胞を含む正常および疾患細胞を分類する。本研究で調べたがん細胞型は、肝細胞(サンプルサイズn = 40)、大腸癌(n = 44)、肺(n = 70)、子宮内膜(n = 87)をカバーしている。ワルシュ・ハダマード変換(wht)の変換により、cpg諸島の全てのdnaメチル化強度の測定を統合する新しいパイプラインが提案されている。この研究は、DNAメチル化変換ドメインデータの3段階特性と、細胞の状態と関連するステップ値を明らかにする。正常および癌組織細胞の分類を行うため,提案した機械学習パイプラインについてさらなる評価を行った。一般のwgbs(whole-genome bisulfite sequencing)dnaメチル化データセットに基づいて、一連の機械学習分類器とwwtシーケンス分類を比較する。 whtベースの手法は、選択された機械学習分類器による比較分類精度を維持しつつ、元のシーケンス分類全体と比較して計算時間を1桁以上高速化することができる。提案手法はエピジェネノームとゲノムデータセットによる迅速疾患と正常ヒト細胞分類に広く応用されている。

関連論文リスト

MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文参考訳（メタデータ） (2024-06-12T15:22:56Z)
FlowCyt: A Comparative Study of Deep Learning Approaches for Multi-Class Classification in Flow Cytometry Benchmarking [1.6712896227173808]
FlowCytは、フローコードされたデータにおいて、マルチクラスのシングルセル分類のための最初の包括的なベンチマークである。このデータセットは、30人の患者の骨髄サンプルからなり、各細胞は12個のマーカーで特徴づけられる。
論文参考訳（メタデータ） (2024-02-28T15:01:59Z)
UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文参考訳（メタデータ） (2024-02-20T11:50:27Z)
scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。 scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。 scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
論文参考訳（メタデータ） (2023-12-16T03:54:26Z)
Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文参考訳（メタデータ） (2023-11-28T09:14:55Z)
Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
がんは心臓血管疾患の2番目の死因である。遺伝子発現は癌の早期発見において基本的な役割を担っている。本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
論文参考訳（メタデータ） (2023-01-28T15:03:03Z)
Predicting Molecular Phenotypes with Single Cell RNA Sequencing Data: an Assessment of Unsupervised Machine Learning Models [0.0]
本研究は、異種腫瘍における治療抵抗性表現型分類における教師なし機械学習の評価である。 scRNAseqは細胞のmRNAを定量化し、細胞表現型を特徴づける。このパイプラインから生成されたクラスターは、がん細胞の挙動と悪性成長を理解するために使用できる。
論文参考訳（メタデータ） (2021-08-11T05:30:37Z)
Active feature selection discovers minimal gene-sets for classifying cell-types and disease states in single-cell mRNA-seq data [2.578242050187029]
現在、単細胞mRNA-seqコストは、多くの生物学的および臨床的タスクに対する単細胞mRNA-seqの適用を禁止している。本稿では, 細胞型と生理状態の高精度な分類を可能にする, 圧縮された遺伝子セットを構成する能動的学習フレームワークを提案する。コンパクトだが高情報性の高い遺伝子セットの発見は、単一細胞mRNA-seqの応用に対するシークエンシング要求の劇的な削減を可能にする可能性がある。
論文参考訳（メタデータ） (2021-06-15T17:49:26Z)
A Deep Embedded Refined Clustering Approach for Breast Cancer Distinction based on DNA Methylation [0.0]
本研究では、DNAメチル化に基づく乳癌分化のための深層組込み精製クラスタリング法を提案する。提案手法は主に2つの段階からなる。第1段階は、オートエンコーダに基づくメチル化データの次元的縮小である。第2段階は、オートエンコーダによって提供される潜在空間のソフトアサインに基づくクラスタリングアルゴリズムである。
論文参考訳（メタデータ） (2021-02-18T16:46:25Z)
Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文参考訳（メタデータ） (2021-02-11T09:04:45Z)
From Human Mesenchymal Stromal Cells to Osteosarcoma Cells Classification by Deep Learning [0.18143184797612422]
骨肉腫は, 青年期における悪性骨腫瘍の1つである。骨肉腫細胞とヒト間葉系間葉系間葉系間葉系間葉系細胞(MSC)を鑑別し,検討中の細胞集団を分類するためにDLアプローチを適用した。
論文参考訳（メタデータ） (2020-08-04T22:23:58Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。