論文の概要: GraphKKE: Graph Kernel Koopman Embedding for Human Microbiome Analysis
- arxiv url: http://arxiv.org/abs/2008.05903v3
- Date: Thu, 19 Nov 2020 12:06:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 05:03:58.835892
- Title: GraphKKE: Graph Kernel Koopman Embedding for Human Microbiome Analysis
- Title（参考訳）: GraphKKE: マイクロバイオーム解析のためのグラフカーネルクープマン
- Authors: Kateryna Melnyk, Stefan Klus, Gr\'egoire Montavon, Tim Conrad
- Abstract要約: 時間進化グラフの埋め込みを学習する手法を提案する。
提案手法は,生成した合成データと実世界のデータの両方において,時間進化グラフの一時的な変化を捉えることができることを示す。
- 参考スコア（独自算出の注目度）: 0.2752817022620644
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: More and more diseases have been found to be strongly correlated with
disturbances in the microbiome constitution, e.g., obesity, diabetes, or some
cancer types. Thanks to modern high-throughput omics technologies, it becomes
possible to directly analyze human microbiome and its influence on the health
status. Microbial communities are monitored over long periods of time and the
associations between their members are explored. These relationships can be
described by a time-evolving graph. In order to understand responses of the
microbial community members to a distinct range of perturbations such as
antibiotics exposure or diseases and general dynamical properties, the
time-evolving graph of the human microbial communities has to be analyzed. This
becomes especially challenging due to dozens of complex interactions among
microbes and metastable dynamics. The key to solving this problem is the
representation of the time-evolving graphs as fixed-length feature vectors
preserving the original dynamics. We propose a method for learning the
embedding of the time-evolving graph that is based on the spectral analysis of
transfer operators and graph kernels. We demonstrate that our method can
capture temporary changes in the time-evolving graph on both created synthetic
data and real-world data. Our experiments demonstrate the efficacy of the
method. Furthermore, we show that our method can be applied to human microbiome
data to study dynamic processes.
- Abstract（参考訳）: ますます多くの疾患が、肥満、糖尿病、一部のがんなど、マイクロバイオーム構成の障害と強く関連していることが判明している。
現代のハイスループットオミクス技術のおかげで、ヒトのマイクロバイオームとその健康状態への影響を直接分析することができる。
微生物群落は長期間にわたって監視され、メンバー間の関係が探究される。
これらの関係は時間発展グラフによって説明できる。
微生物群集が, 抗生物質曝露や病気, 一般の力学特性など, 多様な摂動に対する応答を理解するためには, ヒトの微生物群集の時間進化グラフを解析する必要がある。
これは微生物間の複雑な相互作用とメタ安定ダイナミクスのために特に困難になる。
この問題を解決する鍵は、時間発展するグラフを元のダイナミクスを保存する固定長特徴ベクトルとして表現することである。
本稿では、転送演算子とグラフカーネルのスペクトル解析に基づいて、時間進化グラフの埋め込みを学習する手法を提案する。
本手法は,生成した合成データと実世界のデータの両方に対して,時間発展グラフの一時的な変化をキャプチャできることを実証する。
本手法の有効性を示す実験を行った。
さらに,本手法をヒトのマイクロバイオームデータに適用し,動的プロセスの研究を行った。
関連論文リスト
- Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。
特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。
本稿では,これらのベクトル場をワッサーシュタイン多様体上で積分するメタフローマッチング(Meta Flow Matching, MFM)を提案する。
論文 参考訳（メタデータ） (2024-08-26T20:05:31Z) - UMMAN: Unsupervised Multi-graph Merge Adversarial Network for Disease Prediction Based on Intestinal Flora [0.18641315013048299]
我々は、新しいアーキテクチャ、unsupervised Multi-graph Adversarial Network (UMMAN)を提案する。
UMMANは、教師なしのシナリオでマルチグラフのノードの埋め込みを得ることができ、多重化関連を学習するのに役立ちます。
本稿では,ノード間の関係を乱し,対応するShuffled-Graphを生成するために,複雑な関係型を用いる。
論文 参考訳（メタデータ） (2024-07-31T16:06:43Z) - Graph Neural Networks for Gut Microbiome Metaomic data: A preliminary work [0.47248250311484113]
グラフニューラルネットワーク(GNN)を用いた個々の腸内マイクロバイオームの有意義な表現の導出を目指す。
エンコーダから学習した表現は、炎症性腸疾患(IBD)などの表現型予測モデルの訓練に使用される。
論文 参考訳（メタデータ） (2024-06-28T15:53:36Z) - 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) - A Comparative Study of Population-Graph Construction Methods and Graph
Neural Networks for Brain Age Regression [48.97251676778599]
医用画像では、人口グラフが有望な結果を示しており、主に分類作業に向けられている。
人口グラフの抽出は非自明な作業であり、グラフニューラルネットワーク(GNN)の性能に大きな影響を及ぼす可能性がある
本研究では,有意義なグラフ構築の重要性を強調し,異なる集団グラフ構築手法による実験を行う。
論文 参考訳（メタデータ） (2023-09-26T10:30:45Z) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule
Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。
異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。
11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文 参考訳（メタデータ） (2023-06-02T15:49:45Z) - Graph Neural Networks for Microbial Genome Recovery [64.91162205624848]
本稿では,グラフニューラルネットワーク(GNN)を用いて,メダゲノミクスビニングのためのコンティグ表現を学習する際のアセンブリグラフを活用することを提案する。
提案手法であるVaeG-Binは,個々のコンティグの潜在表現を学習するための変分オートエンコーダと,アセンブリグラフ内のコンティグの近傍構造を考慮したGNNを組み合わせる。
論文 参考訳（メタデータ） (2022-04-26T12:49:51Z) - Understanding microbiome dynamics via interpretable graph representation
learning [0.0]
微生物構成における大規模な摂動は、ヒト生理学の健康と機能と強く相関している。
本稿では,これらの相互作用を,ノードが微生物であり,エッジが相互作用する時間進化グラフとしてモデル化することを提案する。
このような複雑な相互作用を分析する必要性から、時間進化グラフの低次元表現を学習する手法を開発した。
論文 参考訳（メタデータ） (2022-03-02T18:53:14Z) - Graph Representation Learning on Tissue-Specific Multi-Omics [0.0]
組織特異的遺伝子間相互作用(GGI)ネットワーク上でリンク予測を行うために,グラフ埋め込みモデル(すなわちVGAE)を利用する。
複数生物のモダリティ(マルチオミクス)の組み合わせは、強力な埋め込みとより良いリンク予測性能をもたらすことを証明した。
論文 参考訳（メタデータ） (2021-07-25T17:38:45Z) - A State-of-the-art Survey of Object Detection Techniques in
Microorganism Image Analysis: from Traditional Image Processing and Classical
Machine Learning to Current Deep Convolutional Neural Networks and Potential
Visual Transformers [19.612485200561455]
微生物は人間の生活に重要な役割を果たします。
そのため、微生物検出は人間にとって非常に重要である。
従来の微視的検出法では, 長い検出サイクル, 低い検出精度, 稀な微生物の検出が困難である。
コンピュータ画像解析は微生物の高精度・高効率検出を実現することができる。
論文 参考訳（メタデータ） (2021-05-07T10:18:17Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
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。