論文の概要: Genome Sequence Classification for Animal Diagnostics with Graph
Representations and Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2007.12791v1
- Date: Fri, 24 Jul 2020 22:30:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-07 07:16:41.150569
- Title: Genome Sequence Classification for Animal Diagnostics with Graph
Representations and Deep Neural Networks
- Title（参考訳）: グラフ表現とディープニューラルネットワークを用いた動物診断のためのゲノム配列分類
- Authors: Sai Narayanan, Akhilesh Ramachandran, Sathyanarayanan N. Aakur,
Arunkumar Bagavathi
- Abstract要約: ウシ呼吸器疾患複合体(英: Bovine Respiratory Disease Complex, BRDC)は、ウシに細菌やウイルスを含む複数の病因を持つ複雑な呼吸器疾患である。
現在の動物疾患診断は、細菌培養、血清分析、PCR(PCR)検査などの従来の検査に基づいている。
ネットワークベースの機械学習アプローチは、最大89.7%の精度で病原体シグネチャを検出することができる。
- 参考スコア（独自算出の注目度）: 4.339839287869652
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Bovine Respiratory Disease Complex (BRDC) is a complex respiratory disease in
cattle with multiple etiologies, including bacterial and viral. It is estimated
that mortality, morbidity, therapy, and quarantine resulting from BRDC account
for significant losses in the cattle industry. Early detection and management
of BRDC are crucial in mitigating economic losses. Current animal disease
diagnostics is based on traditional tests such as bacterial culture, serolog,
and Polymerase Chain Reaction (PCR) tests. Even though these tests are
validated for several diseases, their main challenge is their limited ability
to detect the presence of multiple pathogens simultaneously. Advancements of
data analytics and machine learning and applications over metagenome sequencing
are setting trends on several applications. In this work, we demonstrate a
machine learning approach to identify pathogen signatures present in bovine
metagenome sequences using k-mer-based network embedding followed by a deep
learning-based classification task. With experiments conducted on two different
simulated datasets, we show that networks-based machine learning approaches can
detect pathogen signature with up to 89.7% accuracy. We will make the data
available publicly upon request to tackle this important problem in a difficult
domain.
- Abstract（参考訳）: ウシ呼吸器疾患複合体 (brdc) は、細菌やウイルスを含む複数の病因を持つ牛の複雑な呼吸器疾患である。
BRDCによる死亡率、死亡率、治療、検疫は、牛産業に重大な損失をもたらすと推定されている。
brdcの早期検出と管理は経済損失の軽減に不可欠である。
現在の動物疾患診断は、細菌培養、血清分析、PCR(PCR)検査などの従来の検査に基づいている。
これらのテストはいくつかの疾患で検証されているが、主な課題は複数の病原体を同時に検出する能力の制限である。
データ分析と機械学習の進歩とメタジェノミーシークエンシング上の応用は、いくつかのアプリケーションでトレンドを定めている。
本稿では,ウシメタゲノーム配列に存在する病原体シグネチャを,k-merに基づくネットワーク埋め込みとディープラーニングに基づく分類タスクを用いて同定する機械学習手法を提案する。
2つの異なるシミュレーションデータセットで実験を行い、ネットワークベースの機械学習アプローチが最大89.7%の精度で病原体シグネチャを検出できることを示した。
難しいドメインでこの重要な問題に対処するように要求すると、データを公開します。
関連論文リスト
- PathoLM: Identifying pathogenicity from the DNA sequence through the Genome Foundation Model [9.285895422810704]
PathoLMは、細菌およびウイルス配列の病原性の同定に最適化された最先端の病原体言語モデルである。
ESKAPEE病原体を含む約30種のウイルスと細菌からなる包括的データセットを開発した。
比較評価では、PathoLMはDciPathoのような既存のモデルよりも劇的に優れており、堅牢なゼロショットと少数ショット機能を示している。
論文 参考訳（メタデータ） (2024-06-19T00:53:48Z) - Highly Accurate Disease Diagnosis and Highly Reproducible Biomarker
Identification with PathFormer [32.26944736442376]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを分析するための主要なディープラーニングモデルである。
課題の根源は、生物学的シグナル伝達経路のユニークなグラフ構造である。
本稿では,バイオマーカーのランク付けと疾患診断の予測のために,シグナルネットワーク,優先知識,オミクスデータを統合した新しいGNNモデルアーキテクチャPathFormerを提案する。
論文 参考訳（メタデータ） (2024-02-11T18:23:54Z) - 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) - Scalable Pathogen Detection from Next Generation DNA Sequencing with
Deep Learning [3.8175773487333857]
本稿ではトランスフォーマーネットワークをバックボーンとして利用するディープラーニングベースのソリューションMG2Vecを提案する。
提案手法は,未治療の実際の臨床サンプルから病原体を検出するのに有効であることを示す。
本稿では,メタジェノムをベースとした深層学習による疾患診断のための新しい表現学習フレームワークの包括的評価を行う。
論文 参考訳（メタデータ） (2022-11-30T00:13:59Z) - Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence
Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。
シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文 参考訳（メタデータ） (2022-07-18T19:16:56Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Deep neural networks approach to microbial colony detection -- a
comparative analysis [52.77024349608834]
本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。
得られた結果は将来の実験のベンチマークとして機能するかもしれない。
論文 参考訳（メタデータ） (2021-08-23T12:06:00Z) - MG-NET: Leveraging Pseudo-Imaging for Multi-Modal Metagenome Analysis [5.04905391284093]
本稿では,自己教師型表現学習フレームワークMG-Netを提案する。
MG-Netはラベルのないデータからロバストな表現を学習できることを示す。
実験により、学習した特徴が現在のベースラインメタジェノム表現より優れていることが示された。
論文 参考訳（メタデータ） (2021-07-21T05:53:01Z) - 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) - 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)
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。