論文の概要: Gaining Insight into SARS-CoV-2 Infection and COVID-19 Severity Using
Self-supervised Edge Features and Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2006.12971v2
- Date: Tue, 15 Dec 2020 17:05:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 22:33:32.372134
- Title: Gaining Insight into SARS-CoV-2 Infection and COVID-19 Severity Using
Self-supervised Edge Features and Graph Neural Networks
- Title（参考訳）: 自己監督エッジ特徴とグラフニューラルネットワークを用いたSARS-CoV-2感染とCOVID-19重症度の検討
- Authors: Arijit Sehanobish, Neal G. Ravindra, David van Dijk
- Abstract要約: 深層学習を用いてSARS-CoV-2感染の生物学と新型コロナウイルスの重症度を研究する。
本稿では,グラフ注意ネットワーク(GAT)上に構築され,自己教師付き学習を用いてエッジ機能を生成し,これらのエッジ機能をSet Transformer経由で取り込み,そのモデルを提案する。
我々は,SARS-CoV-2感染肺オルガノイドと気管支肺胞洗浄液サンプルの単細胞RNAシークエンシングデータセットに本モデルを適用した。
- 参考スコア（独自算出の注目度）: 8.980876474818153
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A molecular and cellular understanding of how SARS-CoV-2 variably infects and
causes severe COVID-19 remains a bottleneck in developing interventions to end
the pandemic. We sought to use deep learning to study the biology of SARS-CoV-2
infection and COVID-19 severity by identifying transcriptomic patterns and cell
types associated with SARS-CoV-2 infection and COVID-19 severity. To do this,
we developed a new approach to generating self-supervised edge features. We
propose a model that builds on Graph Attention Networks (GAT), creates edge
features using self-supervised learning, and ingests these edge features via a
Set Transformer. This model achieves significant improvements in predicting the
disease state of individual cells, given their transcriptome. We apply our
model to single-cell RNA sequencing datasets of SARS-CoV-2 infected lung
organoids and bronchoalveolar lavage fluid samples of patients with COVID-19,
achieving state-of-the-art performance on both datasets with our model. We then
borrow from the field of explainable AI (XAI) to identify the features (genes)
and cell types that discriminate bystander vs. infected cells across time and
moderate vs. severe COVID-19 disease. To the best of our knowledge, this
represents the first application of deep learning to identifying the molecular
and cellular determinants of SARS-CoV-2 infection and COVID-19 severity using
single-cell omics data.
- Abstract（参考訳）: SARS-CoV-2がウイルスにどのように感染し、深刻な新型コロナウイルスを引き起こすかの分子的および細胞的な理解は、パンデミックを終わらせるための介入を開発する上でボトルネックとなっている。
我々は,SARS-CoV-2感染および新型コロナウイルス重症度に関連する転写パターンと細胞型を同定し,深層学習を用いてSARS-CoV-2感染の生物学と新型コロナウイルス重症度を調べた。
そこで我々は,自己教師付きエッジ機能を生成する新しい手法を開発した。
本稿では,グラフ注意ネットワーク(GAT)上に構築され,自己教師付き学習を用いてエッジ機能を生成し,これらのエッジ機能をSet Transformer経由で取り込み,そのモデルを提案する。
このモデルは、転写産物を与えられた個々の細胞の疾患状態を予測する上で重要な改善を達成している。
我々は,SARS-CoV-2感染肺オルガノイドの単細胞RNAシークエンシングデータセットとCOVID-19患者の気管支肺胞洗浄液サンプルに本モデルを適用し,両モデルで最先端のパフォーマンスを達成した。
次に、説明可能なAI(XAI)の分野から借用し、傍観者と感染した細胞を識別する特徴(遺伝子)と細胞タイプを時間的・中等度に識別する。
我々の知る限り、これはSARS-CoV-2感染とCOVID-19重症度の分子および細胞決定因子を単一細胞オミクスデータを用いて同定するための、ディープラーニングの最初の応用である。
関連論文リスト
- Bayesian Networks and Machine Learning for COVID-19 Severity Explanation and Demographic Symptom Classification [12.40025057417184]
新型コロナウイルスの隠れた情報を蒸留する3段階のデータ駆動方式を提案する。
第1段階では、バイエルンネットワーク構造学習法を用いて、新型コロナウイルスの症状の因果関係を同定する。
第2段階として、アウトプットは教師なし機械学習(ML)アルゴリズムをトレーニングするための有用なガイドとして機能する。
最終段階は、クラスタリングから得られたラベルを活用して、人口統計学的症状識別モデルをトレーニングする。
論文 参考訳（メタデータ） (2024-06-16T05:43:24Z) - CoVScreen: Pitfalls and recommendations for screening COVID-19 using Chest X-rays [1.0878040851637998]
新型コロナウイルス(COVID-19)は、SARS-CoV-2による感染性の高い呼吸器疾患で、前例のない医療危機となっている。
症状のある患者の早期スクリーニングと診断は、地域感染を止めるために患者を隔離する上で重要な役割を担っている。
アクセシビリティ、可用性、低コスト、衛生の容易さ、ポータブルなセットアップのため、胸部X線撮影は効果的なスクリーニングおよび診断ツールとして機能する。
論文 参考訳（メタデータ） (2024-05-13T12:03:15Z) - COVID-Net Biochem: An Explainability-driven Framework to Building
Machine Learning Models for Predicting Survival and Kidney Injury of COVID-19
Patients from Clinical and Biochemistry Data [66.43957431843324]
我々は、機械学習モデルを構築するための汎用的で説明可能なフレームワークであるCOVID-Net Biochemを紹介する。
この枠組みを用いて、新型コロナウイルス患者の生存率と、入院中に急性腎不全を発症する可能性を予測する。
論文 参考訳（メタデータ） (2022-04-24T07:38:37Z) - DEEMD: Drug Efficacy Estimation against SARS-CoV-2 based on cell
Morphology with Deep multiple instance learning [8.716655008588361]
sars-cov-2に対する臨床応用に有効な化合物の同定を促進する。
deemdは、複数のインスタンス学習フレームワークでディープニューラルネットワークモデルを使用する計算パイプラインである。
DEEMDはRemdesivirやAloxistatinなどのSARS-CoV-2阻害剤を同定し、我々のアプローチの有効性を裏付ける。
論文 参考訳（メタデータ） (2021-05-10T20:38:34Z) - COVID-Net CT-S: 3D Convolutional Neural Network Architectures for
COVID-19 Severity Assessment using Chest CT Images [85.00197722241262]
我々は、新型コロナウイルス感染による肺疾患の重症度を予測するための深層畳み込みニューラルネットワークであるCOVID-Net CT-Sを紹介した。
3D残像設計を利用して、新型コロナウイルスの肺疾患の重症度を特徴付ける容積的視覚指標を学習する。
論文 参考訳（メタデータ） (2021-05-04T04:44:41Z) - COVIDx-US -- An open-access benchmark dataset of ultrasound imaging data
for AI-driven COVID-19 analytics [116.6248556979572]
COVIDx-USは、新型コロナウイルス関連超音波画像データのオープンアクセスベンチマークデータセットです。
肺超音波93本と,SARS-CoV-2肺炎,非SARS-CoV-2肺炎,健康管理症例10,774本からなる。
論文 参考訳（メタデータ） (2021-03-18T03:31:33Z) - COVID-FACT: A Fully-Automated Capsule Network-based Framework for
Identification of COVID-19 Cases from Chest CT scans [29.327290778950324]
我々は「COVID-FACT」と呼ばれる新型コロナウイルス陽性症例の同定のための2段階完全自動化フレームワークを提案する。
COVID-FACTは感染したスライスを検出し、社内CTスキャンデータセットを使用して陽性のCOVID-19患者を特定する。
この実験に基づいて、COVID-FACTは90.82%の精度、94.55%の感度、86.04%の特異度、および0.98のエリアアンダー・ザ・カーブ(AUC)を達成できるが、監督やアノテーションははるかに少ない。
論文 参考訳（メタデータ） (2020-10-30T03:30:22Z) - Semi-supervised Neural Networks solve an inverse problem for modeling
Covid-19 spread [61.9008166652035]
半教師付きニューラルネットワークを用いた新型コロナウイルスの感染拡大について検討した。
我々は、人口の受動的一部がウイルスの動態から分離されていると仮定する。
論文 参考訳（メタデータ） (2020-10-10T19:33:53Z) - Deep Learning Models for Early Detection and Prediction of the spread of
Novel Coronavirus (COVID-19) [4.213555705835109]
SARS-CoV2は世界的な普及を続けており、パンデミックとなっている。
新型コロナウイルスの感染拡大を予測するために、機械学習技術を開発する必要がある。
論文 参考訳（メタデータ） (2020-07-29T10:14:11Z) - Understanding the temporal evolution of COVID-19 research through
machine learning and natural language processing [66.63200823918429]
重症急性呼吸器症候群2号(SARS-CoV-2)による新型コロナウイルス感染症(COVID-19)の流行は、世界中の人々の生活や社会に影響を与え続けている。
私たちは複数のデータソース、すなわちPubMedとArXivを使用し、現在のCOVID-19研究の風景を特徴づけるために、いくつかの機械学習モデルを構築しました。
調査の結果,PubMedとArXivで利用可能な研究の種類は異なることが確認された。
論文 参考訳（メタデータ） (2020-07-22T18:02:39Z) - COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。
近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。
本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
論文 参考訳（メタデータ） (2020-04-30T03:13:40Z)
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。