論文の概要: Disease State Prediction From Single-Cell Data Using Graph Attention
Networks
- arxiv url: http://arxiv.org/abs/2002.07128v2
- Date: Thu, 12 Mar 2020 21:29:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 04:30:31.999312
- Title: Disease State Prediction From Single-Cell Data Using Graph Attention
Networks
- Title（参考訳）: グラフ注意ネットワークを用いたシングルセルデータからの病状予測
- Authors: Neal G. Ravindra, Arijit Sehanobish, Jenna L. Pappalardo, David A.
Hafler, David van Dijk
- Abstract要約: 多発性硬化症 (Multiple Sclerosis:MS) 患者の大規模データセット上で, 単細胞データから疾患状態を予測するグラフアテンションモデルを提案する。
グラフ畳み込みネットワークやランダム森林分類器など,他の最先端手法よりも高い精度でMSを予測し,92%の精度を達成した。
私たちの知る限りでは、シングルセルデータから病気の状態を予測するためにグラフ注意とディープラーニングを利用する最初の試みである。
- 参考スコア（独自算出の注目度）: 7.314729122296431
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Single-cell RNA sequencing (scRNA-seq) has revolutionized biological
discovery, providing an unbiased picture of cellular heterogeneity in tissues.
While scRNA-seq has been used extensively to provide insight into both healthy
systems and diseases, it has not been used for disease prediction or
diagnostics. Graph Attention Networks (GAT) have proven to be versatile for a
wide range of tasks by learning from both original features and graph
structures. Here we present a graph attention model for predicting disease
state from single-cell data on a large dataset of Multiple Sclerosis (MS)
patients. MS is a disease of the central nervous system that can be difficult
to diagnose. We train our model on single-cell data obtained from blood and
cerebrospinal fluid (CSF) for a cohort of seven MS patients and six healthy
adults (HA), resulting in 66,667 individual cells. We achieve 92 % accuracy in
predicting MS, outperforming other state-of-the-art methods such as a graph
convolutional network and a random forest classifier. Further, we use the
learned graph attention model to get insight into the features (cell types and
genes) that are important for this prediction. The graph attention model also
allow us to infer a new feature space for the cells that emphasizes the
differences between the two conditions. Finally we use the attention weights to
learn a new low-dimensional embedding that can be visualized. To the best of
our knowledge, this is the first effort to use graph attention, and deep
learning in general, to predict disease state from single-cell data. We
envision applying this method to single-cell data for other diseases.
- Abstract（参考訳）: 単細胞RNAシークエンシング(scRNA-seq)は生物学的発見に革命をもたらし、組織における細胞不均一性の無バイアスな画像を提供する。
scRNA-seqは健康なシステムと病気の両方の知見を提供するために広く用いられているが、病気の予測や診断には使われていない。
グラフ注意ネットワーク(GAT)は、もともとの機能とグラフ構造の両方から学習することで、幅広いタスクに汎用性があることが証明されている。
本稿では,多発性硬化症(ms)患者の大規模データセットにおける単細胞データから疾患状態を予測するグラフ注目モデルを提案する。
MSは中枢神経系の疾患であり、診断が困難である。
7例のMS患者と6例の健常成人 (HA) のコホートに対して, 血液および髄液(CSF)から得られた単細胞データを用いて本モデルを訓練した。
グラフ畳み込みネットワークやランダムフォレスト分類器などの最先端手法を上回って,ms予測における92 %の精度を達成した。
さらに,この予測に重要な特徴(細胞タイプや遺伝子)について洞察を得るために,学習グラフの注意モデルを用いた。
グラフの注意モデルはまた、2つの条件の違いを強調した細胞のための新しい特徴空間を推測することもできます。
最後に、注意重みを用いて、可視化可能な新しい低次元埋め込みを学ぶ。
私たちの知る限りでは、シングルセルデータから病気の状態を予測するためにグラフ注意とディープラーニングを利用する最初の試みである。
本手法を他の疾患に対する単細胞データに適用する。
関連論文リスト
- HemaGraph: Breaking Barriers in Hematologic Single Cell Classification
with Graph Attention [0.9499648210774584]
HemaGraphはフローデータから血液細胞の単細胞多クラス分類のための新しいフレームワークである。
HemaGraphは、30人の患者のデータに基づいて、5つの異なる細胞クラスにまたがる分類性能を示す。
本手法は, より大規模なコホート患者および他の血液疾患からの単細胞データに応用することを目的としている。
論文 参考訳（メタデータ） (2024-02-28T15:15:38Z) - 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) - Graph Neural Network approaches for single-cell data: A recent overview [0.3277163122167433]
グラフニューラルネットワーク(GNN)は、遺伝子と細胞間の深いつながりを明らかにすることで、生医学と病気の理解を再構築している。
近年,シングルセルデータに適したGNN手法が注目されている。
このレビューは、GNNがシングルセル分析の中心となる未来を予測している。
論文 参考訳（メタデータ） (2023-10-14T11:09:17Z) - Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-10-10T14:37:17Z) - Self-pruning Graph Neural Network for Predicting Inflammatory Disease
Activity in Multiple Sclerosis from Brain MR Images [10.312631192694479]
多発性硬化症(Multiple Sclerosis, MS)は、中枢神経系の炎症性病変を特徴とする重度の神経疾患である。
本稿では,2段階のMS炎症性疾患活動予測手法を提案する。まず3次元セグメンテーションネットワークが病変を検知し,自己管理アルゴリズムが画像の特徴を抽出する。
次に、検出された病変を患者グラフ構築に使用し、その空間的近接に基づいて病変を接続し、炎症性疾患活動予測をグラフ分類タスクとして定式化する。
論文 参考訳（メタデータ） (2023-08-31T17:05:14Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Sickle Cell Disease Severity Prediction from Percoll Gradient Images
using Graph Convolutional Networks [38.27767684024691]
シックル細胞病(Sickle cell disease, SCD)は、赤血球の早期破壊を引き起こす重篤な遺伝性ヘモグロビン疾患である。
提案手法は,SCD重大度予測の難問に対する最初の計算手法である。
論文 参考訳（メタデータ） (2021-09-11T21:09:50Z) - GKD: Semi-supervised Graph Knowledge Distillation for Graph-Independent
Inference [41.348451615460796]
本稿では,知識蒸留に基づく新しい半教師付き手法GKDを提案する。
自閉症スペクトラム障害の診断のための2つの公開データセットとアルツハイマー病に関する実験を行う。
これらの実験によると、GKDは従来のグラフベースのディープラーニング手法よりも精度、AUC、マクロF1で優れている。
論文 参考訳（メタデータ） (2021-04-08T08:23:37Z) - Heterogeneous Similarity Graph Neural Network on Electronic Health
Records [74.66674469510251]
非均質な類似度グラフニューラルネットワーク(HSGNN)を提案し、新しい異種GNNでEHRを分析します。
フレームワークは2つの部分から構成される: 1つは前処理方式で、もう1つはエンドツーエンドのGNNである。
GNNは全ての同質グラフを入力として取り、それら全てを1つのグラフに融合して予測する。
論文 参考訳（メタデータ） (2021-01-17T23:14:29Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳（メタデータ） (2020-02-26T17:10:48Z)
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。