Fugu-MT 論文翻訳(概要): Feature reduction for machine learning on molecular features: The GeneScore

論文の概要: Feature reduction for machine learning on molecular features: The GeneScore

arxiv url: http://arxiv.org/abs/2101.05546v1
Date: Thu, 14 Jan 2021 10:58:39 GMT
ステータス: 処理完了
システム内更新日: 2021-03-29 00:45:52.216421
Title: Feature reduction for machine learning on molecular features: The GeneScore
Title（参考訳）: 分子機能に基づく機械学習の機能削減:遺伝子コア
Authors: Alexander Denker, Anastasia Steshina, Theresa Grooss, Frank Ueckert, Sylvia N\"urnberg
Abstract要約: GeneScoreは、バイオメディカルデータの機械学習分析のための機能削減の概念です。 GeneScoreは癌実体の分類において二項行列よりも優れていることを示す。
参考スコア（独自算出の注目度）: 58.720142291102135
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We present the GeneScore, a concept of feature reduction for Machine Learning analysis of biomedical data. Using expert knowledge, the GeneScore integrates different molecular data types into a single score. We show that the GeneScore is superior to a binary matrix in the classification of cancer entities from SNV, Indel, CNV, gene fusion and gene expression data. The GeneScore is a straightforward way to facilitate state-of-the-art analysis, while making use of the available scientific knowledge on the nature of molecular data features used.
Abstract（参考訳）: バイオメディカルデータの機械学習解析における特徴量削減の概念であるGeneScoreを提案する。専門家の知識を使って、GeneScoreは異なる分子データ型を単一のスコアに統合する。 SNV, Indel, CNV, 遺伝子融合および遺伝子発現データからがん物質を分類する際, GeneScore はバイナリマトリックスよりも優れていることを示す。 GeneScoreは、使用した分子データの特徴に関する科学知識を活用しながら、最先端の分析を容易にする簡単な方法である。

関連論文リスト

An Evolutional Neural Network Framework for Classification of Microarray Data [0.0]
本研究の目的は,遺伝的アルゴリズムとニューラルネットワークのハイブリッドモデルを用いて,情報的遺伝子のサブセット選択において問題を克服することである。実験の結果,提案手法は,他の機械学習アルゴリズムと比較して,高い精度と最小数の選択遺伝子が示唆された。
論文参考訳（メタデータ） (2024-11-20T13:48:40Z)
Precision Cancer Classification and Biomarker Identification from mRNA Gene Expression via Dimensionality Reduction and Explainable AI [0.9423257767158634]
本研究では,33種類の異なる癌とその対応する遺伝子群を正確に同定するための包括的パイプラインを提案する。正規化と特徴選択技術を組み合わせて、データセットの次元性を効果的に削減する。我々はExplainable AIを利用して、同定された癌特異的遺伝子の生物学的意義を解明する。
論文参考訳（メタデータ） (2024-10-08T18:56:31Z)
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)
GeneAgent: Self-verification Language Agent for Gene Set Knowledge Discovery using Domain Databases [5.831842925038342]
自己検証機能を備えた第一種言語エージェントGeneAgentを提案する。様々な生物学的データベースと自律的に相互作用し、精度を高め、幻覚の発生を減らす。異なるソースから1,106の遺伝子セットをベンチマークすると、GeneAgentは標準のGPT-4よりずっと優れています。
論文参考訳（メタデータ） (2024-05-25T12:35:15Z)
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)
Fuzzy Gene Selection and Cancer Classification Based on Deep Learning Model [1.3072222152900117]
我々は,癌分類を容易にする情報的遺伝子を同定するための新しいファジィ遺伝子選択法(FGS)を開発した。 FGS法で癌分類は96.5%,96.2%,96%,95.9%の精度,精度,リコール,f1スコアを得た。得られた6つのデータセットを調べることで、提案モデルはがんを効果的に分類する能力を示す。
論文参考訳（メタデータ） (2023-05-04T21:52:57Z)
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)
Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文参考訳（メタデータ） (2021-02-11T09:04:45Z)
Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文参考訳（メタデータ） (2020-11-22T17:31:23Z)

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。