Fugu-MT 論文翻訳(概要): PANTHER: Pathway Augmented Nonnegative Tensor factorization for HighER-order feature learning

論文の概要: PANTHER: Pathway Augmented Nonnegative Tensor factorization for HighER-order feature learning

arxiv url: http://arxiv.org/abs/2012.08580v1
Date: Tue, 15 Dec 2020 19:39:55 GMT
ステータス: 処理完了
システム内更新日: 2021-05-07 05:08:46.825350
Title: PANTHER: Pathway Augmented Nonnegative Tensor factorization for HighER-order feature learning
Title（参考訳）: PANTHER:高次特徴学習のための経路拡張非負のテンソル因子化
Authors: Yuan Luo, Chengsheng Mao
Abstract要約: Augmented Pathway Non negative factorization for HighER-order Feature Learning (PANTHER) を紹介する。 PANTHERは分子機構を直接コードする遺伝子経路を選択する。特定経路群を用いて,病型別ソフトマックス分類器を訓練する。
参考スコア（独自算出の注目度）: 7.7415390727490445
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Genetic pathways usually encode molecular mechanisms that can inform targeted interventions. It is often challenging for existing machine learning approaches to jointly model genetic pathways (higher-order features) and variants (atomic features), and present to clinicians interpretable models. In order to build more accurate and better interpretable machine learning models for genetic medicine, we introduce Pathway Augmented Nonnegative Tensor factorization for HighER-order feature learning (PANTHER). PANTHER selects informative genetic pathways that directly encode molecular mechanisms. We apply genetically motivated constrained tensor factorization to group pathways in a way that reflects molecular mechanism interactions. We then train a softmax classifier for disease types using the identified pathway groups. We evaluated PANTHER against multiple state-of-the-art constrained tensor/matrix factorization models, as well as group guided and Bayesian hierarchical models. PANTHER outperforms all state-of-the-art comparison models significantly (p<0.05). Our experiments on large scale Next Generation Sequencing (NGS) and whole-genome genotyping datasets also demonstrated wide applicability of PANTHER. We performed feature analysis in predicting disease types, which suggested insights and benefits of the identified pathway groups.
Abstract（参考訳）: 遺伝経路は通常、標的の介入を知らせる分子機構をコードする。既存の機械学習アプローチでは、遺伝的経路(高次の特徴)と変異(原子的特徴)を共同でモデル化し、臨床医が解釈可能なモデルを示すことはしばしば困難である。遺伝医学のためのより正確で理解しやすい機械学習モデルを構築するために,高次特徴学習のためのパスウェイ拡張非負のテンソル分解法(PANTHER)を提案する。 PANTHERは、分子機構を直接コードする情報伝達経路を選択する。分子機構の相互作用を反映した遺伝子組み換え型テンソル因子化をグループパスに適用する。次に,特定経路群を用いてソフトマックス分類器を訓練する。我々はpantherを,複数の制約付きテンソル/行列因子化モデル,グループ誘導型およびベイズ型階層モデルに対して評価した。 PANTHERはすべての最先端比較モデルを大幅に上回る(p<0.05)。大規模Next Generation Sequencing (NGS) と全ゲノムジェノタイピングデータセットについても,PANTHERの広範囲な適用性を示した。本研究は,病型予測における特徴分析を行い,特定経路群の知見とメリットを示唆した。

関連論文リスト

Integrating Large Language Models for Genetic Variant Classification [12.244115429231888]
大型言語モデル (LLM) は遺伝学においてトランスフォーメーションツールとして登場した。本研究では,GPN-MSA,ESM1b,AlphaMissenseを含む最先端LLMの統合について検討した。提案手法は,よく注釈付けされたProteinGymとClinVarのデータセットを用いて,これらの統合モデルを評価する。
論文参考訳（メタデータ） (2024-11-07T13:45:56Z)
Stacked ensemble\-based mutagenicity prediction model using multiple modalities with graph attention network [0.9736758288065405]
変異原性は、様々なネガティブな結果をもたらす遺伝子変異と関連しているため、懸念される。本研究では,新しいアンサンブルに基づく変異原性予測モデルを提案する。
論文参考訳（メタデータ） (2024-09-03T09:14:21Z)
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)
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)
Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文参考訳（メタデータ） (2023-10-10T14:37:17Z)
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)
SemanticCAP: Chromatin Accessibility Prediction Enhanced by Features Learning from a Language Model [3.0643865202019698]
本稿では、ゲノムのアクセス可能な領域を特定するためのSemanticCAPという新しいソリューションを提案する。遺伝子配列のコンテキストをモデル化する遺伝子モデルを導入し、遺伝子配列の効果的な表現を提供する。公開ベンチマークによる他のシステムと比較すると,我々のモデルは性能が向上することが判明した。
論文参考訳（メタデータ） (2022-04-05T11:47:58Z)
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)
Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
論文参考訳（メタデータ） (2021-10-11T12:48:44Z)
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。