Fugu-MT 論文翻訳(概要): Biological Random Walks: integrating heterogeneous data in disease gene prioritization

論文の概要: Biological Random Walks: integrating heterogeneous data in disease gene prioritization

arxiv url: http://arxiv.org/abs/2002.07064v1
Date: Fri, 14 Feb 2020 17:46:35 GMT
ステータス: 処理完了
システム内更新日: 2023-01-01 04:31:40.414262
Title: Biological Random Walks: integrating heterogeneous data in disease gene prioritization
Title（参考訳）: 生物学的ランダムウォーク:病気遺伝子の優先順位付けにおける異種データの統合
Authors: Michele Gentili, Leonardo Martini, Manuela Petti, Lorenzo Farina and Luca Becchetti
Abstract要約: 本研究は,ネットワーク伝搬に基づく遺伝子優先順位付けアルゴリズムにおいて,生物学的情報を活用する統一的な枠組みを提案する。乳がんデータに対する予備的結果は,最先端のベースラインに対して有意な改善を示した。
参考スコア（独自算出の注目度）: 1.4489463428855132
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This work proposes a unified framework to leverage biological information in network propagation-based gene prioritization algorithms. Preliminary results on breast cancer data show significant improvements over state-of-the-art baselines, such as the prioritization of genes that are not identified as potential candidates by interactome-based algorithms, but that appear to be involved in/or potentially related to breast cancer, according to a functional analysis based on recent literature.
Abstract（参考訳）: 本研究は,ネットワーク伝搬に基づく遺伝子優先化アルゴリズムにおいて生物情報を活用するための統一フレームワークを提案する。乳がんデータに対する予備的な結果は、intertoomeベースのアルゴリズムによって潜在的な候補として同定されないが、乳がんにかかわるあるいは関連する可能性のある遺伝子の優先順位付けなど、最先端のベースラインよりも大幅に改善している。

関連論文リスト

Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
論文参考訳（メタデータ） (2024-06-05T06:42:27Z)
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)
Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文参考訳（メタデータ） (2023-09-26T03:59:21Z)
An end-to-end framework for gene expression classification by integrating a background knowledge graph: application to cancer prognosis prediction [1.5484595752241122]
我々は、一次データの分類モデルを構築するために、二次データを扱うエンドツーエンドフレームワークを提案した。我々はこの枠組みを,遺伝子発現データと生物学的ネットワークを用いた癌予後予測に応用した。
論文参考訳（メタデータ） (2023-06-29T11:20:47Z)
A New Deep Learning and XAI-Based Algorithm for Features Selection in Genomics [5.787117733071415]
本稿では,ゲノム規模のデータに基づいて特徴選択を行う新しいアルゴリズムを提案する。慢性リンパ性白血病データセットへの応用の結果は、アルゴリズムの有効性を証明している。
論文参考訳（メタデータ） (2023-03-29T16:44:13Z)
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)
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)
Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文参考訳（メタデータ） (2020-11-22T17:31:23Z)
Low-Rank Reorganization via Proportional Hazards Non-negative Matrix Factorization Unveils Survival Associated Gene Clusters [9.773075235189525]
この研究において、Cox比例ハザードの回帰は生存制約を課すことでNMFと統合される。ヒト癌遺伝子の発現データを用いて、提案手法は癌遺伝子の重要なクラスターを解明することができる。発見された遺伝子クラスターは、豊富な生物学的含意を反映し、生存に関連するバイオマーカーの同定に役立つ。
論文参考訳（メタデータ） (2020-08-09T17:59:30Z)
The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model Learning with Application to Genomic Data Integration [0.0]
本稿では,異なるタイプのマルチオミックデータを解析するための混合グラフィカルモデルを提案する。モデル選択結果の計算効率と精度の両面で,本手法が優れていることがわかった。
論文参考訳（メタデータ） (2020-05-08T16:34:58Z)

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。