論文の概要: Variational Autoencoder for Anti-Cancer Drug Response Prediction

• arxiv url: http://arxiv.org/abs/2008.09763v7
• Date: Thu, 15 Apr 2021 09:08:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 07:55:29.794254
• Title: Variational Autoencoder for Anti-Cancer Drug Response Prediction
• Title（参考訳）: 抗癌剤反応予測のための変分オートエンコーダ
• Authors: Hongyuan Dong, Jiaqing Xie, Zhi Jing, Dexin Ren
• Abstract要約: 本モデルは癌細胞株および抗がん剤分子データの入力遺伝子発現データである。 多層パーセプトロンは、これらの符号化された特徴を処理し、最終的な予測を生成する。
• 参考スコア（独自算出の注目度）: 0.6193838300896449
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cancer is a primary cause of human death, but discovering drugs and tailoring cancer therapies are expensive and time-consuming. We seek to facilitate the discovery of new drugs and treatment strategies for cancer using variational autoencoders (VAEs) and multi-layer perceptrons (MLPs) to predict anti-cancer drug responses. Our model takes as input gene expression data of cancer cell lines and anti-cancer drug molecular data and encodes these data with our {\sc {GeneVae}} model, which is an ordinary VAE model, and a rectified junction tree variational autoencoder ({\sc JTVae}) model, respectively. A multi-layer perceptron processes these encoded features to produce a final prediction. Our tests show our system attains a high average coefficient of determination ($R^{2} = 0.83$) in predicting drug responses for breast cancer cell lines and an average $R^{2} = 0.845$ for pan-cancer cell lines. Additionally, we show that our model can generates effective drug compounds not previously used for specific cancer cell lines.
• Abstract（参考訳）: がんは人間の死の主な原因であるが、薬物の発見とがん治療の調整は高価で時間を要する。 我々は,抗がん剤反応を予測するために,変異型オートエンコーダ (vaes) と多層パーセプトロン (mlps) を用いた新しい薬物の発見と癌治療戦略の促進を目指す。 本モデルでは, がん細胞株と抗がん剤分子データの入力遺伝子発現データとして, 通常のVAEモデルである {\sc {GeneVae}}モデル, 正接木変異オートエンコーダ({\sc JTVae})モデルを用いてこれらのデータを符号化する。 多層パーセプトロンはこれらのエンコードされた特徴を処理し、最終的な予測を生成する。 実験の結果, 乳がん細胞株の薬剤応答予測において, 高平均決定係数 (r^{2} = 0.83$) が得られ, 汎癌細胞株では平均$r^{2} = 0.845$ が得られた。 さらに, 本モデルでは, 特定の癌細胞株に従来使用されていなかった有効化合物を生成できることが示唆された。

関連論文リスト

• Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
  目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。 回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
  論文  参考訳（メタデータ） (2024-05-23T13:22:17Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• Cancer-Net PCa-Data: An Open-Source Benchmark Dataset for Prostate Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [75.77035221531261]
  Cancer-Net PCa-Dataは、PCa患者の画像データであるボリュームCDI$s$のオープンソースベンチマークデータセットである。 Cancer-Net PCa-Dataは、PCa用のCDI$s$画像データの最初の公開データセットである。
  論文  参考訳（メタデータ） (2023-11-20T10:28:52Z)
• A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
  Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。 Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
  論文  参考訳（メタデータ） (2023-04-12T05:41:44Z)
• 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)
• Stacked Autoencoder Based Multi-Omics Data Integration for Cancer Survival Prediction [3.083561980077652]
  重畳オートエンコーダを用いた生存予測ニューラルネットワーク(SAEsurv-net)と呼ばれる,がん生存予測のためのマルチオミクスデータの統合手法を提案する。 SAEsurv-netは、2段階の次元減少戦略で次元の呪いに対処し、重ねられた計算オートエンコーダモデルで多次元の不均一性を扱う。 実験の結果、SAEsurv-netは単一のタイプのデータと他の最先端の手法に基づくモデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-07-08T13:53:11Z)
• A generative recommender system with GMM prior for cancer drug generation and sensitivity prediction [1.0128447823756244]
  本稿では,変分オートエンコーダを用いた薬物効率評価推薦システムであるVADEERSについて述べる。 化合物の生成は、半教師付きガウス混合モデル(GMM)による新しい変分オートエンコーダによって実行される。 VADEERSは、薬物と細胞株の性質とそれらの関係の包括的モデルを提供し、新規化合物を誘導する。
  論文  参考訳（メタデータ） (2022-06-07T20:13:03Z)
• Gene selection from microarray expression data: A Multi-objective PSO with adaptive K-nearest neighborhood [0.0]
  本稿では,遺伝子発現データを用いたヒト癌疾患の分類問題について論じる。 マイクロアレイデータセットを解析し,がん疾患を効果的に分類するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-05-27T04:22:10Z)
• Scalable privacy-preserving cancer type prediction with homomorphic encryption [10.414669681352423]
  複数種類のがんに対して200万以上の遺伝情報からなる実世界のデータセットを用いたがん検出のプライバシー保護の課題について検討する。 そこで我々は,まず体細胞突然変異のドメイン知識を活用して遺伝的変異を効率よくエンコードする,がん推定のためのプライバシ保護ソリューションを開発した。 本研究では,高次元データを効率的に処理できる高速行列乗算アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-04-12T03:08:17Z)
• Machine Learning Against Cancer: Accurate Diagnosis of Cancer by Machine Learning Classification of the Whole Genome Sequencing Data [0.0]
  我々は,MLAC(Machine Learning Against Cancer)の新たな手法を開発し,完全精度,感度,特異性を実現した。 The Cancer Genome Atlas and Genotype-Tissue Expression project for cancerous and healthy tissues。
  論文  参考訳（メタデータ） (2020-09-12T18:51:47Z)

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。