論文の概要: Expectile Neural Networks for Genetic Data Analysis of Complex Diseases
- arxiv url: http://arxiv.org/abs/2010.13898v1
- Date: Mon, 26 Oct 2020 21:07:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 19:51:34.349536
- Title: Expectile Neural Networks for Genetic Data Analysis of Complex Diseases
- Title（参考訳）: 複雑な疾患の遺伝データ解析のための期待型ニューラルネットワーク
- Authors: Jinghang Lin, Xiaoran Tong, Chenxi Li, Qing Lu
- Abstract要約: 本研究では、複雑な疾患の遺伝子データ解析のための予測型ニューラルネットワーク(ENN)法を開発した。
期待回帰と同様に、ERNは遺伝子変異と疾患の表現型との関係を包括的に把握する。
提案手法は,遺伝子変異と疾患表現型との間に複雑な関係がある場合,既存の予測回帰よりも優れていた。
- 参考スコア（独自算出の注目度）: 3.0088453915399747
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The genetic etiologies of common diseases are highly complex and
heterogeneous. Classic statistical methods, such as linear regression, have
successfully identified numerous genetic variants associated with complex
diseases. Nonetheless, for most complex diseases, the identified variants only
account for a small proportion of heritability. Challenges remain to discover
additional variants contributing to complex diseases. Expectile regression is a
generalization of linear regression and provides completed information on the
conditional distribution of a phenotype of interest. While expectile regression
has many nice properties and holds great promise for genetic data analyses
(e.g., investigating genetic variants predisposing to a high-risk population),
it has been rarely used in genetic research. In this paper, we develop an
expectile neural network (ENN) method for genetic data analyses of complex
diseases. Similar to expectile regression, ENN provides a comprehensive view of
relationships between genetic variants and disease phenotypes and can be used
to discover genetic variants predisposing to sub-populations (e.g., high-risk
groups). We further integrate the idea of neural networks into ENN, making it
capable of capturing non-linear and non-additive genetic effects (e.g.,
gene-gene interactions). Through simulations, we showed that the proposed
method outperformed an existing expectile regression when there exist complex
relationships between genetic variants and disease phenotypes. We also applied
the proposed method to the genetic data from the Study of Addiction: Genetics
and Environment(SAGE), investigating the relationships of candidate genes with
smoking quantity.
- Abstract（参考訳）: 共通疾患の遺伝的病因は非常に複雑で異種である。
線形回帰のような古典的な統計手法は、複雑な疾患に関連する多くの遺伝的変異を同定することに成功している。
しかしながら、ほとんどの複雑な疾患では、同定された変異はわずかに遺伝性しか考慮していない。
複雑な疾患に寄与する追加の変種を発見するのが課題である。
期待回帰は線形回帰の一般化であり、興味の表現型の条件分布に関する完全な情報を提供する。
期待レグレッションは多くの優れた性質を持ち、遺伝データ解析(例えば、高リスク集団に先立つ遺伝的変異の研究)に非常に有望であるが、遺伝研究ではほとんど使われていない。
本稿では,複雑な疾患の遺伝子解析のための予測型ニューラルネットワーク(ENN)を開発した。
期待回帰と同様に、ennは遺伝子変異体と疾患表現型との関係を包括的に観察し、亜集団(例えば高リスク群)に先行する遺伝的変異体の発見に使用できる。
さらに、ニューラルネットワークのアイデアをENNに統合し、非線形および非付加的な遺伝的効果(遺伝子-遺伝子相互作用など)を捉えることができる。
シミュレーションにより,遺伝子変異と疾患表現型との間に複雑な関係がある場合,提案手法は既存の予測回帰よりも優れていた。
また,提案手法を依存症:遺伝学および環境(sage)の研究から得られた遺伝データに適用し,候補遺伝子と喫煙量との関係について検討した。
関連論文リスト
- Nonparametric independence tests in high-dimensional settings, with applications to the genetics of complex disease [55.2480439325792]
遺伝子データの支持空間における適切な事前測定構造の定義が,このような検査に新たなアプローチをもたらすことを示す。
各問題に対して、数学的結果、シミュレーションおよび実データへの適用を提供する。
論文 参考訳（メタデータ） (2024-07-29T01:00:53Z) - 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) - Genetic heterogeneity analysis using genetic algorithm and network
science [2.6166087473624318]
ゲノムワイド・アソシエーション(GWAS)は、疾患に感受性のある遺伝的変数を同定することができる。
遺伝的効果に絡み合った遺伝的変数は、しばしば低い効果サイズを示す。
本稿では,FCSNet(Feature Co-Selection Network)という,GWASのための新しい特徴選択機構を提案する。
論文 参考訳（メタデータ） (2023-08-12T01:28:26Z) - 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) - 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) - rfPhen2Gen: A machine learning based association study of brain imaging
phenotypes to genotypes [71.1144397510333]
56個の脳画像QTを用いてSNPを予測する機械学習モデルを学習した。
アルツハイマー病(AD)リスク遺伝子APOEのSNPは、ラスソとランダムな森林に対して最低のRMSEを有していた。
ランダム・フォレストは、線形モデルによって優先順位付けされなかったが、脳関連疾患と関連があることが知られている追加のSNPを特定した。
論文 参考訳（メタデータ） (2022-03-31T20:15:22Z) - VEGN: Variant Effect Prediction with Graph Neural Networks [19.59965282985234]
本稿では,遺伝子と変異を持つ異種グラフ上で動作するグラフニューラルネットワーク(GNN)を用いて,変異効果予測をモデル化したVEGNを提案する。
このグラフは、変異体を遺伝子に割り当て、遺伝子-遺伝子相互作用ネットワークに遺伝子を接続することによって作成される。
VeGNは既存の最先端モデルの性能を改善する。
論文 参考訳（メタデータ） (2021-06-25T13:51:46Z) - 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) - Handling highly correlated genes in prediction analysis of genomic
studies [0.0]
遺伝子間の高い相関は、多系統問題のような技術的な問題を導入し、信頼性の低い予測モデルをもたらす。
本稿では,高相関遺伝子をグループとして扱うグループ化アルゴリズムを提案する。
まず、遺伝子群の共通パターンを用いることで、条件変化下での予測をより堅牢で信頼性の高いものにする。
論文 参考訳（メタデータ） (2020-07-05T22:14:03Z) - A Semi-Supervised Generative Adversarial Network for Prediction of
Genetic Disease Outcomes [0.0]
本稿では, 遺伝的な遺伝的データセットを作成するために, gGAN (Generative Adversarial Networks) を導入する。
我々のゴールは、遺伝子プロファイルだけで病気の重篤な形態を発達させる新しい個人の正当性を決定することである。
提案モデルは自己認識型であり、ネットワークがトレーニングされたデータと十分に互換性のある新しい遺伝子プロファイルを決定することができる。
論文 参考訳（メタデータ） (2020-07-02T15:35:14Z)
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。