論文の概要: Low-Rank Reorganization via Proportional Hazards Non-negative Matrix
Factorization Unveils Survival Associated Gene Clusters
- arxiv url: http://arxiv.org/abs/2008.03776v2
- Date: Thu, 17 Sep 2020 07:52:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 04:06:34.990444
- Title: Low-Rank Reorganization via Proportional Hazards Non-negative Matrix
Factorization Unveils Survival Associated Gene Clusters
- Title（参考訳）: プロポーショナル・ハザード非負マトリックス因子化による低ランク再組織化による遺伝子クラスターの生存
- Authors: Zhi Huang, Paul Salama, Wei Shao, Jie Zhang, Kun Huang
- Abstract要約: この研究において、Cox比例ハザードの回帰は生存制約を課すことでNMFと統合される。
ヒト癌遺伝子の発現データを用いて、提案手法は癌遺伝子の重要なクラスターを解明することができる。
発見された遺伝子クラスターは、豊富な生物学的含意を反映し、生存に関連するバイオマーカーの同定に役立つ。
- 参考スコア（独自算出の注目度）: 9.773075235189525
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the central goals in precision health is the understanding and
interpretation of high-dimensional biological data to identify genes and
markers associated with disease initiation, development, and outcomes. Though
significant effort has been committed to harness gene expression data for
multiple analyses while accounting for time-to-event modeling by including
survival times, many traditional analyses have focused separately on
non-negative matrix factorization (NMF) of the gene expression data matrix and
survival regression with Cox proportional hazards model. In this work, Cox
proportional hazards regression is integrated with NMF by imposing survival
constraints. This is accomplished by jointly optimizing the Frobenius norm and
partial log likelihood for events such as death or relapse. Simulation results
on synthetic data demonstrated the superiority of the proposed method, when
compared to other algorithms, in finding survival associated gene clusters. In
addition, using human cancer gene expression data, the proposed technique can
unravel critical clusters of cancer genes. The discovered gene clusters reflect
rich biological implications and can help identify survival-related biomarkers.
Towards the goal of precision health and cancer treatments, the proposed
algorithm can help understand and interpret high-dimensional heterogeneous
genomics data with accurate identification of survival-associated gene
clusters.
- Abstract（参考訳）: 精密健康における中心的な目標の1つは、疾患の開始、発生、結果に関連する遺伝子やマーカーを特定するための高次元生物学的データの理解と解釈である。
生存時間を含む時間-事象モデリングを考慮しつつ、複数の解析で遺伝子発現データを活用することに多大な努力がなされているが、多くの伝統的な分析は遺伝子発現データ行列の非負行列分解(nmf)とcox比例ハザードモデルによる生存回帰に注目している。
この研究において、Cox比例ハザードの回帰は生存制約を課すことでNMFと統合される。
これは、フロベニウスのノルムと、死や再発のような事象に対する部分ログの確率を共同で最適化することで達成される。
合成データのシミュレーションの結果,他のアルゴリズムと比較して,生存関連遺伝子クラスターの発見において,提案手法の優位性を示した。
さらに, ヒト癌遺伝子発現データを用いて, 癌遺伝子の重要なクラスターを探索する手法を提案する。
発見された遺伝子クラスターは、豊富な生物学的意義を反映しており、生存関連バイオマーカーの同定に役立ちます。
精度の高い健康とがん治療の目標に向けて,提案アルゴリズムは生存関連遺伝子クラスターの正確な同定による高次元異種ゲノムデータの理解と解釈を支援する。
関連論文リスト
- Precision Cancer Classification and Biomarker Identification from mRNA Gene Expression via Dimensionality Reduction and Explainable AI [0.9423257767158634]
本研究では,33種類の異なる癌とその対応する遺伝子群を正確に同定するための包括的パイプラインを提案する。
正規化と特徴選択技術を組み合わせて、データセットの次元性を効果的に削減する。
我々はExplainable AIを利用して、同定された癌特異的遺伝子の生物学的意義を解明する。
論文 参考訳（メタデータ） (2024-10-08T18:56:31Z) - Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。
本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
論文 参考訳（メタデータ） (2024-07-16T14:05:03Z) - Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。
BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。
BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
論文 参考訳（メタデータ） (2024-06-05T06:42:27Z) - 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) - 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) - Modelling Technical and Biological Effects in scRNA-seq data with
Scalable GPLVMs [6.708052194104378]
我々は,ガウス過程潜在変数モデルである確率的非線形次元減少に対する一般的なアプローチを拡張し,大規模単一セルデータセットに拡張する。
鍵となる考え方は、高速な変動推論を可能にする下位境界の分解可能性を保存する拡張カーネルを使用することである。
論文 参考訳（メタデータ） (2022-09-14T15:25:15Z) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳（メタデータ） (2021-02-11T09:04:45Z) - A Novel Granular-Based Bi-Clustering Method of Deep Mining the
Co-Expressed Genes [76.84066556597342]
ビクラスタリング法は、サンプル(遺伝子)のサブセットが試験条件下で協調的に制御されるバイクラスタをマイニングするために用いられる。
残念ながら、従来の二クラスタ法はそのような二クラスタを発見するのに完全には効果がない。
本稿では,グラニュラーコンピューティングの理論を取り入れた新しい2クラスタリング手法を提案する。
論文 参考訳（メタデータ） (2020-05-12T02:04:40Z) - The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model
Learning with Application to Genomic Data Integration [0.0]
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。
論文 参考訳（メタデータ） (2020-05-08T16:34:58Z)
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。