論文の概要: A Pipeline for Integrated Theory and Data-Driven Modeling of Genomic and Clinical Data

• arxiv url: http://arxiv.org/abs/2005.02521v1
• Date: Tue, 5 May 2020 22:23:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 14:53:06.027047
• Title: A Pipeline for Integrated Theory and Data-Driven Modeling of Genomic and Clinical Data
• Title（参考訳）: ゲノム・臨床データの統合理論とデータ駆動モデリングのためのパイプライン
• Authors: Vineet K Raghu, Xiaoyu Ge, Arun Balajee, Daniel J. Shirer, Isha Das, Panayiotis V. Benos, and Panos K. Chrysanthis
• Abstract要約: 統合ゲノムおよび臨床データからの知識発見のためのパイプラインを提案する。 このパイプラインが乳がんの予後予測モデルをどのように改善するかを実証し、生物学的に解釈可能なシークエンシングデータのビューを提供する。
• 参考スコア（独自算出の注目度）: 5.921993992338802
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High throughput genome sequencing technologies such as RNA-Seq and Microarray have the potential to transform clinical decision making and biomedical research by enabling high-throughput measurements of the genome at a granular level. However, to truly understand causes of disease and the effects of medical interventions, this data must be integrated with phenotypic, environmental, and behavioral data from individuals. Further, effective knowledge discovery methods that can infer relationships between these data types are required. In this work, we propose a pipeline for knowledge discovery from integrated genomic and clinical data. The pipeline begins with a novel variable selection method, and uses a probabilistic graphical model to understand the relationships between features in the data. We demonstrate how this pipeline can improve breast cancer outcome prediction models, and can provide a biologically interpretable view of sequencing data.
• Abstract（参考訳）: rna-seqやマイクロアレイなどの高スループットゲノムシークエンシング技術は、ゲノムの高スループット測定を粒度レベルで可能にし、臨床意思決定や生医学研究を変革する可能性を秘めている。 しかし、病気の原因と医療介入の影響を真に理解するには、このデータは個人の表現型、環境、行動データと統合する必要がある。 さらに、これらのデータ型間の関係を推測できる効果的な知識発見手法が必要である。 本研究では,統合ゲノム・臨床データから知識発見のためのパイプラインを提案する。 パイプラインは、新しい変数選択方法から始まり、確率的グラフィカルモデルを使用して、データ内の機能間の関係を理解する。 このパイプラインが乳癌の予後予測モデルをどのように改善するかを実証し、シークエンシングデータの生物学的に解釈可能なビューを提供する。

関連論文リスト

• Simplicity within biological complexity [0.0]
  文献を調査し、マルチスケール分子ネットワークデータの埋め込みのための包括的フレームワークの開発について論じる。 ネットワーク埋め込み手法はノードを低次元空間の点にマッピングすることにより、学習空間の近接性はネットワークのトポロジ-関数関係を反映する。 本稿では,モデルから効率的かつスケーラブルなソフトウェア実装に至るまで,マルチオミックネットワークデータのための汎用的な包括的埋め込みフレームワークを開発することを提案する。
  論文  参考訳（メタデータ） (2024-05-15T13:32:45Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• A deep learning pipeline for cross-sectional and longitudinal multiview data integration [7.424942475653412]
  複数のソースからの断面データと縦データを統合するパイプラインを開発した。 線形および非線形手法を用いた変数選択/ランク付け、機能主成分分析とオイラー特性を用いた特徴抽出、高密度フィードフォワードネットワークと繰り返しニューラルネットワークを用いた結合積分と分類を含む。 炎症性腸疾患 (IBD) 研究から, このパイプラインを横断的および縦断的マルチオミクスデータ(メタゲノミクス, トランスクリプトミクス, メタボロミクス)に応用し, IBDの状態を識別する微生物経路, 代謝産物, 遺伝子を同定した。
  論文  参考訳（メタデータ） (2023-12-02T22:24:35Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Deep Biological Pathway Informed Pathology-Genomic Multimodal Survival Prediction [7.133948707208067]
  本稿では,新しい生物学的経路インフォームド・病理-ゲノム深層モデルであるPONETを提案する。 提案手法は優れた予測性能を達成し,有意義な生物学的解釈を明らかにする。
  論文  参考訳（メタデータ） (2023-01-06T05:24:41Z)
• Graph Neural Networks for Breast Cancer Data Integration [0.0]
  本稿では,ガンデータモダリティをグラフとして統合し,次にグラフニューラルネットワークを適用する3つのステップからなる新しい学習パイプラインを提案する。 このプロジェクトは、がんデータ理解を改善する可能性があり、正規データセットからグラフ型データへの移行を促進する。
  論文  参考訳（メタデータ） (2022-11-28T17:10:19Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Data-Driven Logistic Regression Ensembles With Applications in Genomics [0.0]
  本稿では,正規化とアンサンブルのアイデアを組み合わせた高次元二項分類問題に対する新しいアプローチを提案する。 がん,多発性硬化症,乾皮症などの共通疾患を含むいくつかの医学的データセットを用いて,バイオマーカーの予測精度と同定の点で,本手法の優れた性能を実証した。
  論文  参考訳（メタデータ） (2021-02-17T05:57:26Z)
• 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)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)

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。