論文の概要: A general kernel boosting framework integrating pathways for predictive modeling based on genomic data

• arxiv url: http://arxiv.org/abs/2008.11384v2
• Date: Sun, 31 Jan 2021 22:56:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 20:52:22.926476
• Title: A general kernel boosting framework integrating pathways for predictive modeling based on genomic data
• Title（参考訳）: ゲノムデータに基づく予測モデリングのための経路統合型汎用カーネルブースティングフレームワーク
• Authors: Li Zeng, Zhaolong Yu, Yiliang Zhang, Hongyu Zhao
• Abstract要約: 本稿では,パスウェイを基盤としたカーネルブースティング(Kernel Boosting, PKB)を提案する。 予測アルゴリズムは, 経路からカーネル関数空間を構築し, ブースティング手順のベースラーナとして用いることにより, 経路知識を組み込む。
• 参考スコア（独自算出の注目度）: 5.763710641111974
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive modeling based on genomic data has gained popularity in biomedical research and clinical practice by allowing researchers and clinicians to identify biomarkers and tailor treatment decisions more efficiently. Analysis incorporating pathway information can boost discovery power and better connect new findings with biological mechanisms. In this article, we propose a general framework, Pathway-based Kernel Boosting (PKB), which incorporates clinical information and prior knowledge about pathways for prediction of binary, continuous and survival outcomes. We introduce appropriate loss functions and optimization procedures for different outcome types. Our prediction algorithm incorporates pathway knowledge by constructing kernel function spaces from the pathways and use them as base learners in the boosting procedure. Through extensive simulations and case studies in drug response and cancer survival datasets, we demonstrate that PKB can substantially outperform other competing methods, better identify biological pathways related to drug response and patient survival, and provide novel insights into cancer pathogenesis and treatment response.
• Abstract（参考訳）: ゲノムデータに基づく予測モデリングは、研究者や臨床医がバイオマーカーを同定し、治療決定をより効率的に行うことによって、バイオメディカル研究や臨床実践で人気を集めている。 経路情報を含む解析は発見力を高め、新しい発見と生物学的メカニズムをより良く結びつける。 本稿では,二進性,連続性,生存率の予測のための臨床情報と経路に関する事前知識を組み込んだ汎用フレームワークであるパスベースカーネルブースティング(pkb)を提案する。 異なる結果型に対して適切な損失関数と最適化手順を導入する。 予測アルゴリズムは, 経路からカーネル関数空間を構築し, ブースティング手順のベースラーナとして用いることにより, 経路知識を組み込む。 薬物応答およびがん生存データセットの広範なシミュレーションとケーススタディにより、PKBは他の競合する方法よりも大幅に優れ、薬物応答と患者生存に関する生物学的経路をよりよく同定し、がんの発生と治療反応に関する新たな知見を提供する。

関連論文リスト

• Large Language Models in Drug Discovery and Development: From Disease Mechanisms to Clinical Trials [49.19897427783105]
  大規模言語モデル(LLM)の創薬・開発分野への統合は、重要なパラダイムシフトである。 これらの先進的な計算モデルが、ターゲット・ディスリーズ・リンクを明らかにし、複雑なバイオメディカルデータを解釈し、薬物分子設計を強化し、薬物の有効性と安全性を予測し、臨床治験プロセスを促進する方法について検討する。
  論文  参考訳（メタデータ） (2024-09-06T02:03:38Z)
• Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models [46.05020842978823]
  大規模言語モデル(LLM)はこの複雑なデータランドスケープをナビゲートする強力なツールとして登場した。 RAGGEDは、知識統合と仮説生成を伴う研究者を支援するために設計された包括的なワークフローである。
  論文  参考訳（メタデータ） (2024-07-17T07:44:18Z)
• Enhanced Gene Selection in Single-Cell Genomics: Pre-Filtering Synergy and Reinforced Optimization [16.491060073775884]
  単一セルゲノミクスにおけるクラスタリングタスクに適用可能な反復的遺伝子パネル選択戦略を提案する。 本手法は、他の遺伝子選択アルゴリズムの結果を統合し、重要な予備的境界を提供する。 強化学習(RL)における探索プロセスの性質と,その連続最適化能力を取り入れた。
  論文  参考訳（メタデータ） (2024-06-11T16:21:33Z)
• Histo-Genomic Knowledge Distillation For Cancer Prognosis From Histopathology Whole Slide Images [7.5123289730388825]
  ゲノムインフォームドハイパーアテンションネットワーク(G-HANet)は、トレーニング中にヒストリーゲノム知識を効果的に蒸留することができる。 ネットワークは、クロスモーダル・アソシエーション・ブランチ(CAB)とハイパーアテンション・サバイバル・ブランチ(HSB)から構成される。
  論文  参考訳（メタデータ） (2024-03-15T06:20:09Z)
• 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)
• SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
  本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。 特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。 私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
  論文  参考訳（メタデータ） (2023-06-19T17:03:46Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Deep Biological Pathway Informed Pathology-Genomic Multimodal Survival Prediction [7.133948707208067]
  本稿では,新しい生物学的経路インフォームド・病理-ゲノム深層モデルであるPONETを提案する。 提案手法は優れた予測性能を達成し,有意義な生物学的解釈を明らかにする。
  論文  参考訳（メタデータ） (2023-01-06T05:24:41Z)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• A Pipeline for Integrated Theory and Data-Driven Modeling of Genomic and Clinical Data [5.921993992338802]
  統合ゲノムおよび臨床データからの知識発見のためのパイプラインを提案する。 このパイプラインが乳がんの予後予測モデルをどのように改善するかを実証し、生物学的に解釈可能なシークエンシングデータのビューを提供する。
  論文  参考訳（メタデータ） (2020-05-05T22:23:27Z)

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。