論文の概要: Transcriptome-wide prediction of prostate cancer gene expression from
histopathology images using co-expression based convolutional neural networks
- arxiv url: http://arxiv.org/abs/2104.09310v1
- Date: Mon, 19 Apr 2021 13:50:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-20 13:48:07.527141
- Title: Transcriptome-wide prediction of prostate cancer gene expression from
histopathology images using co-expression based convolutional neural networks
- Title（参考訳）: 共発現型畳み込みニューラルネットワークを用いた病理組織像からの前立腺癌遺伝子発現予測
- Authors: Philippe Weitz, Yinxi Wang, Kimmo Kartasalo, Lars Egevad, Johan
Lindberg, Henrik Gr\"onberg, Martin Eklund, Mattias Rantalainen
- Abstract要約: 形態と遺伝子発現の関係を特異的にモデル化する新しい計算効率の高い手法を提案する。
前立腺癌におけるRNA塩基配列推定のためのCNNを用いた第1回トランスクリプトーム解析を行った。
- 参考スコア（独自算出の注目度）: 0.8874479658912061
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular phenotyping by gene expression profiling is common in contemporary
cancer research and in molecular diagnostics. However, molecular profiling
remains costly and resource intense to implement, and is just starting to be
introduced into clinical diagnostics. Molecular changes, including genetic
alterations and gene expression changes, occuring in tumors cause morphological
changes in tissue, which can be observed on the microscopic level. The
relationship between morphological patterns and some of the molecular
phenotypes can be exploited to predict molecular phenotypes directly from
routine haematoxylin and eosin (H&E) stained whole slide images (WSIs) using
deep convolutional neural networks (CNNs). In this study, we propose a new,
computationally efficient approach for disease specific modelling of
relationships between morphology and gene expression, and we conducted the
first transcriptome-wide analysis in prostate cancer, using CNNs to predict
bulk RNA-sequencing estimates from WSIs of H&E stained tissue. The work is
based on the TCGA PRAD study and includes both WSIs and RNA-seq data for 370
patients. Out of 15586 protein coding and sufficiently frequently expressed
transcripts, 6618 had predicted expression significantly associated with
RNA-seq estimates (FDR-adjusted p-value < 1*10-4) in a cross-validation. 5419
(81.9%) of these were subsequently validated in a held-out test set. We also
demonstrate the ability to predict a prostate cancer specific cell cycle
progression score directly from WSIs. These findings suggest that contemporary
computer vision models offer an inexpensive and scalable solution for
prediction of gene expression phenotypes directly from WSIs, providing
opportunity for cost-effective large-scale research studies and molecular
diagnostics.
- Abstract（参考訳）: 遺伝子発現プロファイリングによる分子表現型は、現代のがん研究や分子診断においてよく見られる。
しかし、分子プロファイリングはいまだにコストと資源がかかり、臨床診断に導入され始めている。
腫瘍で発生した遺伝子変化や遺伝子発現変化などの分子変化は組織の形態変化を引き起こし、ミクロレベルで観察することができる。
形態的パターンといくつかの分子表現型との関係は、深層畳み込みニューラルネットワーク(cnns)を用いて、通常のヘマトキシリンおよびエオシン(h&e)染色全スライド画像(wsis)から直接分子表現型を予測するために利用することができる。
本研究では,H&E染色組織WSIからのRNA配列推定をCNNを用いて前立腺癌において,形態と遺伝子発現の関係性に関する疾患特異的なモデリングのための,新しい,計算学的に効率的なアプローチを提案する。
この研究はTCGA PRADの研究に基づいており、370人の患者に対してWSIsとRNA-seqの両方のデータを含んでいる。
15586のタンパク質コードと十分に発現された転写産物のうち、6618はRNA-seq推定値(FDR調整p-value <1*10-4)に大きく関連していると予測していた。
5419 (81.9%) はその後、ホールドアウトテストセットで検証された。
また,wsisから直接,前立腺癌特異的細胞周期の進行を予測できることを示した。
これらの結果から,現代のコンピュータビジョンモデルは,WSIから直接発現表現型を予測するための安価でスケーラブルなソリューションを提供し,コスト効率の高い大規模研究と分子診断の機会をもたらすことが示唆された。
関連論文リスト
- VQDNA: Unleashing the Power of Vector Quantization for Multi-Species Genomic Sequence Modeling [60.91599380893732]
VQDNAは、ゲノムボキャブラリ学習の観点からゲノムのトークン化を改良する汎用フレームワークである。
ベクトル量子化されたコードブックを学習可能な語彙として活用することにより、VQDNAはゲノムをパターン認識の埋め込みに適応的にトークン化することができる。
論文 参考訳（メタデータ） (2024-05-13T20:15:03Z) - hist2RNA: An efficient deep learning architecture to predict gene
expression from breast cancer histopathology images [11.822321981275232]
深層学習アルゴリズムは、デジタル病理画像中の形態パターンを効果的に抽出し、分子の表現型を迅速かつ低コストで予測することができる。
我々は,138遺伝子の発現を予測するために,バルクRNAシークエンシング技術にインスパイアされたhist2RNAという新しい計算効率の高い手法を提案する。
論文 参考訳（メタデータ） (2023-04-10T10:54:32Z) - Breast Cancer Histopathology Image based Gene Expression Prediction
using Spatial Transcriptomics data and Deep Learning [3.583756449759971]
本稿では,病理組織像から遺伝子発現を予測するためのディープラーニングフレームワークBrST-Netを提案する。
我々は,250遺伝子の予測に事前訓練した重みを使わずに10種類の最先端ディープラーニングモデルを訓練し,評価した。
本手法は,0.50以上の正相関係数を持つ24遺伝子を含む237遺伝子を同定し,過去の研究より優れていた。
論文 参考訳（メタデータ） (2023-03-17T14:03:40Z) - 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) - Attention-based Interpretable Regression of Gene Expression in Histology [0.0]
深層学習の解釈可能性は、医用画像モデルの信頼性を評価するために広く利用されている。
腫瘍組織の顕微な外観と遺伝子発現のプロファイリングとの関連性を明らかにする。
論文 参考訳（メタデータ） (2022-08-29T07:30:33Z) - 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) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Pan-Cancer Integrative Histology-Genomic Analysis via Interpretable
Multimodal Deep Learning [4.764927152701701]
14種類のがん患者5,720人のスライド画像,RNA配列,コピー数の変化,および突然変異データを統合する。
我々の解釈可能な、弱教師付き、マルチモーダルなディープラーニングアルゴリズムは、これらの不均一なモダリティを融合して結果を予測することができる。
本研究は,全ての癌型にまたがる予後予測に寄与する形態学的および分子マーカーを解析する。
論文 参考訳（メタデータ） (2021-08-04T20:40:05Z) - 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) - Predicting molecular phenotypes from histopathology images: a
transcriptome-wide expression-morphology analysis in breast cancer [1.3758771225117674]
乳癌におけるトランススクリプトームワイド・モロフォロジー(EMO)解析を初めて報告した。
遺伝子特異的モデルはmRNA発現の予測のために最適化され、検証された。
9,334遺伝子の予測はRNA配列推定と大きく関連していた。
論文 参考訳（メタデータ） (2020-09-18T16:27:53Z)
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。