論文の概要: Factorized linear discriminant analysis and its application in computational biology

• arxiv url: http://arxiv.org/abs/2010.02171v4
• Date: Sat, 27 Mar 2021 05:53:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 22:25:01.759814
• Title: Factorized linear discriminant analysis and its application in computational biology
• Title（参考訳）: 因子化線形判別分析と計算生物学への応用
• Authors: Mu Qiao, Markus Meister
• Abstract要約: 計算生物学における根本的な問題は、高次元の遺伝子発現データの適切な表現を見つけることである。 本稿では,この問題に対処する線形次元減少法を提案する。 FLDAからの表現は、表現型の特徴と整合したデータ中の構造を捉え、各表現型に対して重要な遺伝子を明らかにした。
• 参考スコア（独自算出の注目度）: 4.931378519409227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A fundamental problem in computational biology is to find a suitable representation of the high-dimensional gene expression data that is consistent with the structural and functional properties of cell types, collectively called their phenotypes. This representation is often sought from a linear transformation of the original data, for the reasons of model interpretability and computational simplicity. Here we propose a novel method of linear dimensionality reduction to address this problem. This method, which we call factorized linear discriminant analysis (FLDA), seeks a linear transformation of gene expressions that varies highly with only one phenotypic feature and minimally with others. We further leverage our approach with a sparsity-based regularization algorithm, which selects a few genes important to a specific phenotypic feature or feature combination. We illustrated this approach by applying it to a single-cell transcriptome dataset of Drosophila T4/T5 neurons. A representation from FLDA captured structures in the data aligned with phenotypic features and revealed critical genes for each phenotype.
• Abstract（参考訳）: 計算生物学における根本的な問題は、細胞タイプの構造的および機能的特性と整合する高次元遺伝子発現データの適切な表現を見つけることである。 この表現は、モデル解釈可能性と計算の単純さの理由から、元のデータの線形変換からしばしば求められている。 本稿では,この問題に対処する線形次元減少法を提案する。 因子化線形判別分析 (FLDA) と呼ばれるこの手法は,1つの表現型の特徴のみを伴い,他と最小限に変化する遺伝子表現の線形変換を求める。 我々はさらに,特定の表現型特徴量や特徴の組み合わせに重要な遺伝子をいくつか選択するスパルシリティに基づく正規化アルゴリズムを用いて,このアプローチをさらに活用する。 このアプローチをショウジョウバエt4/t5ニューロンの単細胞転写産物データセットに適用した。 FLDAからの表現は、表現型の特徴と整合したデータの構造を捉え、各表現型に対して重要な遺伝子を明らかにした。

関連論文リスト

• Gene-Level Representation Learning via Interventional Style Transfer in Optical Pooled Screening [3.7038542578642715]
  光プールスクリーニング(OPS)を用いて得られた遺伝的摂動細胞の画像から、遺伝子レベルの特徴表現を学習するためのスタイル変換アプローチを採用する。 本手法は,遺伝子機能に応じた遺伝子表現のクラスタリングにおける工学的特徴よりも優れ,潜伏する生物学的関係を明らかにするために有用であることを示す。
  論文  参考訳（メタデータ） (2024-06-11T22:56:50Z)
• Identifying the Attractors of Gene Regulatory Networks from Expression Data under Uncertainty: An Interpretable Approach [0.0]
  実際の遺伝子制御ネットワークの時間的遺伝子発現プロファイルを考慮すれば、アトラクタはどのように堅牢に識別できるのか? 本稿では,Zadeh Computing with Wordsに基づく新しいアプローチを用いて,この問題に対処する。 提案手法は、ファジィ論理と言語的記述の両方の観点から、時間的遺伝子発現データからアトラクタを効果的に識別することができる。
  論文  参考訳（メタデータ） (2024-03-16T20:56:22Z)
• 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)
• Score-based Causal Representation Learning with Interventions [54.735484409244386]
  本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。 目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
  論文  参考訳（メタデータ） (2023-01-19T18:39:48Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Graph Coloring via Neural Networks for Haplotype Assembly and Viral Quasispecies Reconstruction [8.828330486848753]
  我々はグラフ表現学習と最適化を組み合わせたNeurHapと呼ばれる新しい手法を開発した。 我々の実験は、競合するアプローチと比較して、実データや合成データセットにおけるNeurHapの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2022-10-21T12:53:09Z)
• Neural network facilitated ab initio derivation of linear formula: A case study on formulating the relationship between DNA motifs and gene expression [8.794181445664243]
  本稿では、解釈可能なニューラルネットワークモデルに基づく新しいアプローチを用いて、シーケンスモチーフと線形式を導出するためのフレームワークを提案する。 この線形モデルは、深いニューラルネットワークモデルに匹敵する性能を持つプロモーター配列を用いて遺伝子発現レベルを予測することができることを示した。
  論文  参考訳（メタデータ） (2022-08-19T22:29:30Z)
• Exploring Linear Feature Disentanglement For Neural Networks [63.20827189693117]
  Sigmoid、ReLU、Tanhなどの非線形活性化関数は、ニューラルネットワーク(NN)において大きな成功を収めた。 サンプルの複雑な非線形特性のため、これらの活性化関数の目的は、元の特徴空間から線形分離可能な特徴空間へサンプルを投影することである。 この現象は、現在の典型的なNNにおいて、すべての特徴がすべての非線形関数によって変換される必要があるかどうかを探求することに興味をそそる。
  論文  参考訳（メタデータ） (2022-03-22T13:09:17Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Complexity-based speciation and genotype representation for neuroevolution [81.21462458089142]
  本稿では、進化するネットワークを隠されたニューロンの数に基づいて種に分類する神経進化の種分化原理を提案する。 提案された種分化原理は、種および生態系全体における多様性の促進と保存を目的として設計されたいくつかの技術で採用されている。
  論文  参考訳（メタデータ） (2020-10-11T06:26:56Z)
• A Cross-Level Information Transmission Network for Predicting Phenotype from New Genotype: Application to Cancer Precision Medicine [37.442717660492384]
  本稿では,CLEIT(Cross-Level Information Transmission Network)フレームワークを提案する。 ドメイン適応にインスパイアされたCLEITは、まずハイレベルドメインの潜在表現を学び、その後、接地木埋め込みとして利用する。 体細胞突然変異による抗がん剤感受性の予測におけるCLEITの有効性と性能の向上を示す。
  論文  参考訳（メタデータ） (2020-10-09T22:01:00Z)

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。