論文の概要: MG-NET: Leveraging Pseudo-Imaging for Multi-Modal Metagenome Analysis

• arxiv url: http://arxiv.org/abs/2107.09883v1
• Date: Wed, 21 Jul 2021 05:53:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-22 14:04:33.127996
• Title: MG-NET: Leveraging Pseudo-Imaging for Multi-Modal Metagenome Analysis
• Title（参考訳）: mg-net: 擬似画像を用いたマルチモーダルメタジェノミー解析
• Authors: Sathyanarayanan N. Aakur, Sai Narayanan, Vineela Indla, Arunkumar Bagavathi, Vishalini Laguduva Ramnath, Akhilesh Ramachandran
• Abstract要約: 本稿では,自己教師型表現学習フレームワークMG-Netを提案する。 MG-Netはラベルのないデータからロバストな表現を学習できることを示す。 実験により、学習した特徴が現在のベースラインメタジェノム表現より優れていることが示された。
• 参考スコア（独自算出の注目度）: 5.04905391284093
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The emergence of novel pathogens and zoonotic diseases like the SARS-CoV-2 have underlined the need for developing novel diagnosis and intervention pipelines that can learn rapidly from small amounts of labeled data. Combined with technological advances in next-generation sequencing, metagenome-based diagnostic tools hold much promise to revolutionize rapid point-of-care diagnosis. However, there are significant challenges in developing such an approach, the chief among which is to learn self-supervised representations that can help detect novel pathogen signatures with very low amounts of labeled data. This is particularly a difficult task given that closely related pathogens can share more than 90% of their genome structure. In this work, we address these challenges by proposing MG-Net, a self-supervised representation learning framework that leverages multi-modal context using pseudo-imaging data derived from clinical metagenome sequences. We show that the proposed framework can learn robust representations from unlabeled data that can be used for downstream tasks such as metagenome sequence classification with limited access to labeled data. Extensive experiments show that the learned features outperform current baseline metagenome representations, given only 1000 samples per class.
• Abstract（参考訳）: SARS-CoV-2のような新規病原体や動物病原体の出現は、少量のラベル付きデータから迅速に学習できる新しい診断と介入パイプラインを開発する必要性を低くしている。 次世代シークエンシングの技術進歩と相まって、メタゲノームベースの診断ツールは迅速なケアポイント・オブ・ケアの診断に革命を起こすという大きな約束を持っている。 しかし、このようなアプローチを開発する上で重要な課題は、ラベル付きデータが非常に少ない新規な病原体シグネチャを検出できる自己教師付き表現を学習することにある。 近縁な病原体がゲノム構造の90%以上を共有できることを考えると、これは特に難しい課題である。 本研究では,臨床メタジェノム配列から得られた擬似画像データを用いて,マルチモーダルコンテキストを活用する自己教師付き表現学習フレームワークMG-Netを提案する。 提案手法はラベルなしデータからロバスト表現を学習し,ラベル付きデータへのアクセスが制限されたメタジェノムシーケンス分類などの下流タスクに使用できることを示す。 大規模な実験により、学習された特徴は、クラス当たり1000のサンプルしか与えられず、現在のベースラインメタジェノム表現より優れていることが示された。

関連論文リスト

• Scalable Pathogen Detection from Next Generation DNA Sequencing with Deep Learning [3.8175773487333857]
  本稿ではトランスフォーマーネットワークをバックボーンとして利用するディープラーニングベースのソリューションMG2Vecを提案する。 提案手法は,未治療の実際の臨床サンプルから病原体を検出するのに有効であることを示す。 本稿では,メタジェノムをベースとした深層学習による疾患診断のための新しい表現学習フレームワークの包括的評価を行う。
  論文  参考訳（メタデータ） (2022-11-30T00:13:59Z)
• Metagenome2Vec: Building Contextualized Representations for Scalable Metagenome Analysis [4.807955518532493]
  メタジェノメ2Vec - メタジェノメデータに固有のグローバルな構造特性をキャプチャするコンテキスト化表現を提案する。 得られた表現は,100個未満のラベル付き配列を持つ臨床検体から6個(6個)の病原体を検出するのに有効である。
  論文  参考訳（メタデータ） (2021-11-09T23:21:10Z)
• METGAN: Generative Tumour Inpainting and Modality Synthesis in Light Sheet Microscopy [4.872960046536882]
  本稿では,実解剖情報を活用し,腫瘍の現実的な画像ラベル対を生成する新しい生成法を提案する。 解剖学的画像とラベルのためのデュアルパス生成器を構築し, 独立して事前学習されたセグメンタによって制約された, サイクル一貫性のある設定で学習する。 生成した画像は,既存の手法に比べて定量的に顕著に改善された。
  論文  参考訳（メタデータ） (2021-04-22T11:18:17Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• 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)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• 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)
• Genome Sequence Classification for Animal Diagnostics with Graph Representations and Deep Neural Networks [4.339839287869652]
  ウシ呼吸器疾患複合体(英: Bovine Respiratory Disease Complex, BRDC)は、ウシに細菌やウイルスを含む複数の病因を持つ複雑な呼吸器疾患である。 現在の動物疾患診断は、細菌培養、血清分析、PCR(PCR)検査などの従来の検査に基づいている。 ネットワークベースの機械学習アプローチは、最大89.7%の精度で病原体シグネチャを検出することができる。
  論文  参考訳（メタデータ） (2020-07-24T22:30:18Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。