論文の概要: A deep learning classifier for local ancestry inference
- arxiv url: http://arxiv.org/abs/2011.02081v1
- Date: Wed, 4 Nov 2020 00:42:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 21:20:47.102443
- Title: A deep learning classifier for local ancestry inference
- Title(参考訳): 局所系推論のための深層学習分類器
- Authors: Matthew Aguirre, Jan Sokol, Guhan Venkataraman, Alexander Ioannidis
- Abstract要約: 局所祖先推論は、個人のゲノムの各セグメントの祖先を特定する。
我々は,エンコーダ・デコーダアーキテクチャを備えた深層畳み込みニューラルネットワークを用いた新しいLAIツールを開発した。
我々は,既存のゴールド標準ツール RFMix とほぼ同等の精度で,ゼロショットタスクとしてアドミキシングを学習できることを実証した。
- 参考スコア(独自算出の注目度): 63.8376359764052
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Local ancestry inference (LAI) identifies the ancestry of each segment of an
individual's genome and is an important step in medical and population genetic
studies of diverse cohorts. Several techniques have been used for LAI,
including Hidden Markov Models and Random Forests. Here, we formulate the LAI
task as an image segmentation problem and develop a new LAI tool using a deep
convolutional neural network with an encoder-decoder architecture. We train our
model using complete genome sequences from 982 unadmixed individuals from each
of five continental ancestry groups, and we evaluate it using simulated admixed
data derived from an additional 279 individuals selected from the same
populations. We show that our model is able to learn admixture as a zero-shot
task, yielding ancestry assignments that are nearly as accurate as those from
the existing gold standard tool, RFMix.
- Abstract(参考訳): 局所祖先推論(LAI)は、個人のゲノムの各セグメントの祖先を特定し、多様なコホートの医学的および集団遺伝学的研究において重要なステップである。
LAIにはHidden Markov ModelsやRandom Forestsなどいくつかの技術が使用されている。
本稿では,LAIタスクを画像分割問題として定式化し,エンコーダ・デコーダアーキテクチャを備えた深層畳み込みニューラルネットワークを用いた新しいLAIツールを開発する。
そこで本研究では,5つの大陸集団の非混合個体972個体の完全なゲノム配列を用いて,同一集団から選択した279個体から得られたシミュレーションデータを用いて,本モデルを評価する。
私たちのモデルは、ゼロショットタスクとしてadmixtureを学習でき、既存のゴールド標準ツールであるrfmixのものとほぼ同等の精度で祖先の割り当てが得られます。
関連論文リスト
- Gene Teams are on the Field: Evaluation of Variants in Gene-Networks
Using High Dimensional Modelling [0.0]
医学遺伝学では、それぞれの遺伝子変異はその臨床的重要性に関して独立した実体として評価される。
ほとんどの複雑な疾患では、特定の単一の変異が存在するのではなく、特定の遺伝子ネットワークにおける変異結合が優先される。
本稿では,遺伝子ネットワーク内のすべての変異を解析する高次元モデリング手法を提案する。
論文 参考訳(メタデータ) (2023-01-27T15:02:23Z) - Unsupervised Cross-Domain Feature Extraction for Single Blood Cell Image
Classification [37.90158669637884]
AutoencoderはR-CNNアーキテクチャをベースにしており、関連する白血球にフォーカスし、画像のアーティファクトを除去することができる。
本研究では,データセットの1つのみで訓練されたオートエンコーダによって抽出されたリッチな特徴により,ランダムな森林分類器は未知のデータセットに対して良好に実行可能であることを示す。
以上の結果から,より複雑な診断・予後タスクにこの教師なしアプローチを適用すれば,高価な専門家ラベルを未確認データに加える必要がなくなる可能性が示唆された。
論文 参考訳(メタデータ) (2022-07-01T15:44:42Z) - Learning to Untangle Genome Assembly with Graph Convolutional Networks [17.227634756670835]
我々は,グラフ畳み込みネットワークをトレーニングし,それらを経由する正しい経路を見つけることによって,アセンブリグラフを解決するための新しい学習フレームワークを導入する。
実験の結果、単一の染色体からのみ生成された模擬グラフに基づいて訓練されたモデルが、他の全ての染色体を著しく解決できることがわかった。
論文 参考訳(メタデータ) (2022-06-01T04:14:25Z) - ContIG: Self-supervised Multimodal Contrastive Learning for Medical
Imaging with Genetics [4.907551775445731]
本研究では、ラベルのない医療画像と遺伝データの大規模なデータセットから学習できる自己教師付き手法であるContIGを提案する。
提案手法は特徴空間における画像といくつかの遺伝的モダリティをコントラスト的損失を用いて整列させる。
また、我々のモデルで学んだ特徴に関するゲノムワイド・アソシエーション研究を行い、画像と遺伝データの間の興味深い関係を明らかにする。
論文 参考訳(メタデータ) (2021-11-26T11:06:12Z) - Deep metric learning improves lab of origin prediction of genetically
engineered plasmids [63.05016513788047]
遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。
本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。
我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
論文 参考訳(メタデータ) (2021-11-24T16:29:03Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳(メタデータ) (2020-11-24T01:53:39Z) - Mycorrhiza: Genotype Assignment usingPhylogenetic Networks [2.286041284499166]
遺伝子型代入問題に対する機械学習手法であるMycorrhizaを紹介する。
提案アルゴリズムは系統ネットワークを用いて,標本間の進化的関係を符号化する特徴を設計する。
Mycorrhizaは、大きな平均固定指数(FST)を持つデータセットやハーディ・ワインバーグ平衡からの偏差で特に顕著な利得を得る。
論文 参考訳(メタデータ) (2020-10-14T02:36:27Z) - 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) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳(メタデータ) (2020-02-09T14:11:50Z)
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。