論文の概要: A Cross-Level Information Transmission Network for Predicting Phenotype
from New Genotype: Application to Cancer Precision Medicine
- arxiv url: http://arxiv.org/abs/2010.04824v1
- Date: Fri, 9 Oct 2020 22:01:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 06:35:50.884398
- Title: A Cross-Level Information Transmission Network for Predicting Phenotype
from New Genotype: Application to Cancer Precision Medicine
- Title（参考訳）: 新しい遺伝子型からフェノタイプを予測するクロスレベル情報伝達ネットワーク:癌精密医療への応用
- Authors: Di He, Lei Xie
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 37.442717660492384
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An unsolved fundamental problem in biology and ecology is to predict
observable traits (phenotypes) from a new genetic constitution (genotype) of an
organism under environmental perturbations (e.g., drug treatment). The
emergence of multiple omics data provides new opportunities but imposes great
challenges in the predictive modeling of genotype-phenotype associations.
Firstly, the high-dimensionality of genomics data and the lack of labeled data
often make the existing supervised learning techniques less successful.
Secondly, it is a challenging task to integrate heterogeneous omics data from
different resources. Finally, the information transmission from DNA to
phenotype involves multiple intermediate levels of RNA, protein, metabolite,
etc. The higher-level features (e.g., gene expression) usually have stronger
discriminative power than the lower level features (e.g., somatic mutation). To
address above issues, we proposed a novel Cross-LEvel Information Transmission
network (CLEIT) framework. CLEIT aims to explicitly model the asymmetrical
multi-level organization of the biological system. Inspired by domain
adaptation, CLEIT first learns the latent representation of high-level domain
then uses it as ground-truth embedding to improve the representation learning
of the low-level domain in the form of contrastive loss. In addition, we adopt
a pre-training-fine-tuning approach to leveraging the unlabeled heterogeneous
omics data to improve the generalizability of CLEIT. We demonstrate the
effectiveness and performance boost of CLEIT in predicting anti-cancer drug
sensitivity from somatic mutations via the assistance of gene expressions when
compared with state-of-the-art methods.
- Abstract（参考訳）: 生物学と生態学における未解決の根本的な問題は、環境摂動(例えば薬物処理)下で生物の新しい遺伝的構成(遺伝子型)から観察可能な形質(表現型)を予測することである。
複数の omics データの出現は新しい機会を提供するが、遺伝子型-表現型関係の予測モデリングにおいて大きな課題を課す。
第一に、ゲノムデータの高次元性とラベル付きデータの欠如により、既存の教師付き学習技術は成功しないことが多い。
第二に、異なるリソースから異質なオミクスデータを統合することは難しい課題である。
最後に、DNAから表現型への情報伝達は、RNA、タンパク質、代謝物などの複数の中間レベルを含む。
高レベルの特徴(例えば遺伝子発現)は、通常低レベルの特徴(例えば体性突然変異)よりも強い識別力を持つ。
上記の問題に対処するため、我々は新しいクロスレベル情報伝送ネットワーク(CLEIT)フレームワークを提案した。
CLEITは、生物学的システムの非対称な多レベル組織を明示的にモデル化することを目的としている。
ドメイン適応にインスパイアされたCLEITは、まず高レベルのドメインの潜在表現を学び、それを使って低レベルのドメインの表現学習を対照的な損失の形で改善する。
さらに、CLEITの一般化性を向上させるために、ラベルのない異種オミクスデータを活用するためのトレーニング済み微調整手法を採用する。
そこで本研究では,CLEITの遺伝子解析による体細胞突然変異に対する抗癌剤感受性の予測における効果と性能の向上について述べる。
関連論文リスト
- Interpreting artificial neural networks to detect genome-wide association signals for complex traits [0.0]
複雑な疾患の遺伝的アーキテクチャを調べることは、遺伝的および環境要因の高度にポリジェニックでインタラクティブな景観のために困難である。
我々は、シミュレーションと実際のジェノタイプ/フェノタイプデータセットの両方を用いて、複雑な特性を予測するために、人工ニューラルネットワークを訓練した。
論文 参考訳（メタデータ） (2024-07-26T15:20:42Z) - Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。
BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。
BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
論文 参考訳（メタデータ） (2024-06-05T06:42:27Z) - Whole Genome Transformer for Gene Interaction Effects in Microbiome Habitat Specificity [3.972930262155919]
本研究では、遺伝子ベクター化のための既存の大規模モデルを利用して、微生物ゲノム配列全体から生息地特異性を予測する枠組みを提案する。
我々は、異なる生息地から得られた高品質のマイクロバイオームゲノムの大規模なデータセット上で、我々のアプローチを訓練し、検証する。
論文 参考訳（メタデータ） (2024-05-09T09:34:51Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - A Comparative Analysis of Gene Expression Profiling by Statistical and
Machine Learning Approaches [1.8954222800767324]
がん検体を分類する機械学習モデルの生物学的および方法論的限界について論じる。
遺伝子ランキングはこれらのモデルに適応した説明可能性法から得られる。
ブラックボックスニューラルネットワークによって学習された情報は、微分表現の概念と関連している。
論文 参考訳（メタデータ） (2024-02-01T18:17:36Z) - Genetic InfoMax: Exploring Mutual Information Maximization in
High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。
画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。
本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文 参考訳（メタデータ） (2023-09-26T03:59:21Z) - 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) - Modelling Technical and Biological Effects in scRNA-seq data with
Scalable GPLVMs [6.708052194104378]
我々は,ガウス過程潜在変数モデルである確率的非線形次元減少に対する一般的なアプローチを拡張し,大規模単一セルデータセットに拡張する。
鍵となる考え方は、高速な変動推論を可能にする下位境界の分解可能性を保存する拡張カーネルを使用することである。
論文 参考訳（メタデータ） (2022-09-14T15:25:15Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。