Fugu-MT 論文翻訳(概要): An Integrated Deep Learning and Dynamic Programming Method for Predicting Tumor Suppressor Genes, Oncogenes, and Fusion from PDB Structures

論文の概要: An Integrated Deep Learning and Dynamic Programming Method for Predicting Tumor Suppressor Genes, Oncogenes, and Fusion from PDB Structures

arxiv url: http://arxiv.org/abs/2105.08100v1
Date: Mon, 17 May 2021 18:18:57 GMT
ステータス: 処理完了
システム内更新日: 2021-05-19 13:49:50.343411
Title: An Integrated Deep Learning and Dynamic Programming Method for Predicting Tumor Suppressor Genes, Oncogenes, and Fusion from PDB Structures
Title（参考訳）: PDB構造からの腫瘍抑制遺伝子・癌遺伝子・融合予測のための統合的深層学習と動的プログラミング法
Authors: Nishanth. Anandanadarajah, C.H. Chu, R. Loganantharaj
Abstract要約: プロトオンコジーン(ONGO)の変異と腫瘍抑制遺伝子(TSG)の制御機能の欠如は、腫瘍増殖を制御していない一般的なメカニズムである。計算研究を通じてONGOやTSGに関連する遺伝子機能の可能性を見つけることは、疾患を標的とする薬物の開発に役立てることができる。本稿では,入力された3dタンパク質構造情報から特徴地図集合を抽出する前処理段階から開始する分類法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Mutations in proto-oncogenes (ONGO) and the loss of regulatory function of tumor suppression genes (TSG) are the common underlying mechanism for uncontrolled tumor growth. While cancer is a heterogeneous complex of distinct diseases, finding the potentiality of the genes related functionality to ONGO or TSG through computational studies can help develop drugs that target the disease. This paper proposes a classification method that starts with a preprocessing stage to extract the feature map sets from the input 3D protein structural information. The next stage is a deep convolutional neural network stage (DCNN) that outputs the probability of functional classification of genes. We explored and tested two approaches: in Approach 1, all filtered and cleaned 3D-protein-structures (PDB) are pooled together, whereas in Approach 2, the primary structures and their corresponding PDBs are separated according to the genes' primary structural information. Following the DCNN stage, a dynamic programming-based method is used to determine the final prediction of the primary structures' functionality. We validated our proposed method using the COSMIC online database. For the ONGO vs TSG classification problem, the AUROC of the DCNN stage for Approach 1 and Approach 2 DCNN are 0.978 and 0.765, respectively. The AUROCs of the final genes' primary structure functionality classification for Approach 1 and Approach 2 are 0.989, and 0.879, respectively. For comparison, the current state-of-the-art reported AUROC is 0.924.
Abstract（参考訳）: プロトオンコジーン(ONGO)の変異と腫瘍抑制遺伝子(TSG)の制御機能の欠如は、腫瘍増殖を制御していない一般的なメカニズムである。がんは異なる疾患の異種複合体であるが、計算学的研究を通じてONGOやTSGに関連する遺伝子機能の可能性を見つけることは、疾患を標的とする薬物の開発に役立つ。本稿では,入力された3dタンパク質構造情報から特徴地図集合を抽出する前処理段階から開始する分類法を提案する。次の段階は、遺伝子の機能的分類の確率を出力するディープ畳み込みニューラルネットワークステージ(DCNN)である。アプローチ1では, 精製された3Dタンパク質構造体(PDB)をプールするが, アプローチ2では, 一次構造体と対応するPDBは, 遺伝子の一次構造情報に基づいて分離される。 dcnnの段階に続いて、動的プログラミングに基づく手法を用いて、プライマリ構造の機能の最終的な予測を行う。提案手法をCOSMICオンラインデータベースを用いて検証した。オンゴとtsgの分類問題では、アプローチ1のdcnnステージとアプローチ2dcnnのaurocはそれぞれ0.978と0.765である。最終遺伝子の一次構造機能分類のAUROCは、それぞれ0.989と0.879である。比較として現在報告されているAUROCは0.924である。

関連論文リスト

An Organism Starts with a Single Pix-Cell: A Neural Cellular Diffusion for High-Resolution Image Synthesis [8.01395073111961]
我々は、GeCA(Generative Cellular Automata)と呼ばれる新しいモデルのファミリーを紹介する。 GeCAは2つの画像モダリティ(Fundus and Optical Coherence Tomography, OCT)にまたがる網膜疾患分類の効果的な拡張ツールとして評価されるデータが不足し,クラス分布が本質的に歪んでいるOCT画像の文脈では,GeCAは11種類の眼科領域の性能を著しく向上させる。
論文参考訳（メタデータ） (2024-07-03T11:26:09Z)
An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
アルツハイマー病(英語: Alzheimer's disease、AD)は認知能力の低下が進行する認知症である。構造的MRIと機能的MRIを利用して,病原性GMと機能的ネットワーク接続の変化を調査した。本稿では,Cycle GANを用いた生成モジュールを用いたDLに基づく新しい分類手法を提案する。
論文参考訳（メタデータ） (2024-06-19T07:31:47Z)
Path-GPTOmic: A Balanced Multi-modal Learning Framework for Survival Outcome Prediction [14.204637932937082]
本稿では,癌生存率予測のためのマルチモーダルパスGPTOmicフレームワークを提案する。基礎モデルである scGPT の埋め込み空間は,最初は単一セルRNA-seq で訓練された。生存予測のためのCox部分的可能性損失に対応する勾配変調機構を提案する。
論文参考訳（メタデータ） (2024-03-18T00:02:48Z)
scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。 scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。 scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
論文参考訳（メタデータ） (2023-12-16T03:54:26Z)
DynGFN: Towards Bayesian Inference of Gene Regulatory Networks with GFlowNets [81.75973217676986]
遺伝子調節ネットワーク(GRN)は、遺伝子発現と細胞機能を制御する遺伝子とその産物間の相互作用を記述する。既存の方法は、チャレンジ(1)、ダイナミックスから循環構造を識別すること、あるいはチャレンジ(2)、DAGよりも複雑なベイズ後部を学習することに焦点を当てるが、両方ではない。本稿では、RNAベロシティ技術を用いて遺伝子発現の「速度」を推定できるという事実を活用し、両方の課題に対処するアプローチを開発する。
論文参考訳（メタデータ） (2023-02-08T16:36:40Z)
3D-Morphomics, Morphological Features on CT scans for lung nodule malignancy diagnosis [8.728543774561405]
本研究はCTボリュームにおける形態学的特徴(3次元形態学)に基づく病理状態の予測モデルを構築した。その後、XGBoost教師付き分類器が3次元形態学で訓練され、病理状態を予測する。肺結節の悪性度と良性度との分類モデルでは, 3D-morphomicsのみを用いて0.964のAUCが得られる。
論文参考訳（メタデータ） (2022-07-27T23:50:47Z)
SNP2Vec: Scalable Self-Supervised Pre-Training for Genome-Wide Association Study [48.75445626157713]
SNP2Vecは、SNPを理解するためのスケーラブルな自己教師付き事前学習手法である。本研究では,SNP2Vecを用いて時系列ゲノミクスモデリングを行う。中国コホートにおけるアルツハイマー病のリスク予測におけるアプローチの有効性について検討した。
論文参考訳（メタデータ） (2022-04-14T01:53:58Z)
A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文参考訳（メタデータ） (2021-06-25T20:09:23Z)
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)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Autoencoders as Weight Initialization of Deep Classification Networks for Cancer versus Cancer Studies [0.0]
甲状腺,皮膚,胃の3種類の癌を鑑別することを目的としている。実験では,分類モデルを訓練する際の2つのアプローチについて検討した。我々の一番の成果は、DAEによる教師なしの機能学習の組み合わせであり、続いて分類ネットワークへの完全なインポートでした。
論文参考訳（メタデータ） (2020-01-15T11:49:41Z)

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。