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
- Multiscale Topology in Interactomic Network: From Transcriptome to
Antiaddiction Drug Repurposing [0.3683202928838613]
米国における薬物依存の激化は、革新的な治療戦略の緊急の必要性を浮き彫りにしている。
本研究は,オピオイドおよびコカイン依存症治療の薬物再服用候補を探索するための,革新的で厳格な戦略に着手した。
論文 参考訳(メタデータ) (2023-12-03T04:01:38Z) - 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) - A New Deep Learning and XAI-Based Algorithm for Features Selection in
Genomics [5.787117733071415]
本稿では,ゲノム規模のデータに基づいて特徴選択を行う新しいアルゴリズムを提案する。
慢性リンパ性白血病データセットへの応用の結果は、アルゴリズムの有効性を証明している。
論文 参考訳(メタデータ) (2023-03-29T16:44:13Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳(メタデータ) (2023-01-14T15:07:43Z) - 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) - Functional Integrative Bayesian Analysis of High-dimensional
Multiplatform Genomic Data [0.8029049649310213]
我々は高次元多プラットフォームゲノミクスデータ(fiBAG)の関数積分ベイズ解析というフレームワークを提案する。
fiBAGは、プロテオゲノムバイオマーカーの上流での機能的証拠の同時同定を可能にする。
本研究は,14種類のがんのパン・カンサー解析を用いて,fiBAGの収益性を示す。
論文 参考訳(メタデータ) (2022-12-29T03:31:45Z) - 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) - Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic
Programmed Deep Kernels [93.58854458951431]
本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。
我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。
我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
論文 参考訳(メタデータ) (2020-09-16T15:16:03Z) - 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。