論文の概要: The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model
Learning with Application to Genomic Data Integration
- arxiv url: http://arxiv.org/abs/2005.04139v1
- Date: Fri, 8 May 2020 16:34:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 12:16:36.125098
- Title: The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model
Learning with Application to Genomic Data Integration
- Title（参考訳）: 混合グラフィカルモデル学習のためのスケーラブルな生死mcmcアルゴリズムとゲノムデータ統合への応用
- Authors: Nanwei Wang, Laurent Briollais, Helene Massam
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in biological research have seen the emergence of
high-throughput technologies with numerous applications that allow the study of
biological mechanisms at an unprecedented depth and scale. A large amount of
genomic data is now distributed through consortia like The Cancer Genome Atlas
(TCGA), where specific types of biological information on specific type of
tissue or cell are available. In cancer research, the challenge is now to
perform integrative analyses of high-dimensional multi-omic data with the goal
to better understand genomic processes that correlate with cancer outcomes,
e.g. elucidate gene networks that discriminate a specific cancer subgroups
(cancer sub-typing) or discovering gene networks that overlap across different
cancer types (pan-cancer studies). In this paper, we propose a novel mixed
graphical model approach to analyze multi-omic data of different types
(continuous, discrete and count) and perform model selection by extending the
Birth-Death MCMC (BDMCMC) algorithm initially proposed by
\citet{stephens2000bayesian} and later developed by
\cite{mohammadi2015bayesian}. We compare the performance of our method to the
LASSO method and the standard BDMCMC method using simulations and find that our
method is superior in terms of both computational efficiency and the accuracy
of the model selection results. Finally, an application to the TCGA breast
cancer data shows that integrating genomic information at different levels
(mutation and expression data) leads to better subtyping of breast cancers.
- Abstract（参考訳）: 生物学的研究の最近の進歩は、前例のない深さとスケールでの生物学的メカニズムの研究を可能にする多くの応用で高スループット技術が出現した。
大量のゲノムデータが現在、癌ゲノムアトラス(tcga)のような配偶者を通して配布されており、特定の種類の組織や細胞に関する特定の種類の生物学的情報が利用可能である。
がん研究において、課題は、特定のがんサブグループ(がんサブタイピング)を識別する解明された遺伝子ネットワークや、異なるがんタイプにまたがる遺伝子ネットワーク(がん研究)など、がんの結果と相関するゲノム過程をよりよく理解することを目的として、高次元のマルチオミクスデータの統合分析を行うことである。
本稿では,異なる型(連続性,離散性,数)のマルチオーミックデータを解析し,最初に \citet{stephens2000bayesian} が提案し,後に \cite{mohammadi2015bayesian} が提案したBDMCMCアルゴリズムを拡張してモデル選択を行う,新しい混合グラフィカルモデルを提案する。
シミュレーションを用いて本手法の性能をlasso法と標準bdmcmc法と比較し,提案手法が計算効率とモデル選択結果の精度の両方において優れていることを確認した。
最後に、tcga乳がんデータへの応用により、異なるレベルのゲノム情報(変異と発現データ)の統合により、乳癌のサブタイプが向上することが示された。
関連論文リスト
- Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。
PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。
腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
論文 参考訳（メタデータ） (2024-04-11T09:07:40Z) - 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) - PACS: Prediction and analysis of cancer subtypes from multi-omics data
based on a multi-head attention mechanism model [2.275409158519155]
がんサブタイプの分類を成功させるために, 教師付きマルチヘッドアテンション機構モデル(SMA)を提案する。
SMAモデルのアテンション機構と特徴共有モジュールは、マルチオミクスデータのグローバルおよびローカルの特徴情報をうまく学習することができる。
SMAモデルは、シミュレーションされた単一細胞およびがんマルチオミクスデータセットにおけるがんサブタイプの最も正確なF1マクロスコープ、F1重み付きおよび正確な分類を達成する。
論文 参考訳（メタデータ） (2023-08-21T03:54:21Z) - Cancer-inspired Genomics Mapper Model for the Generation of Synthetic
DNA Sequences with Desired Genomics Signatures [0.0]
がんに触発されたゲノムマッパーモデル(CGMM)は、遺伝的アルゴリズム(GA)とディープラーニング(DL)の手法を組み合わせたものである。
我々はCGMMが、祖先や癌などの選択された表現型の合成ゲノムを生成できることを実証した。
論文 参考訳（メタデータ） (2023-05-01T07:16:40Z) - 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) - DeepGene Transformer: Transformer for the gene expression-based classification of cancer subtypes [5.179504118679301]
がんとそのサブタイプは世界中の死因の約30%を占める。
マルチヘッド自己認識モジュールを用いた高次元遺伝子発現の複雑さに対処するDeepGene Transformerを提案する。
論文 参考訳（メタデータ） (2021-08-26T15:02:55Z) - 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) - 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) - 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) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z)
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。