論文の概要: All You Need is Color: Image based Spatial Gene Expression Prediction
using Neural Stain Learning
- arxiv url: http://arxiv.org/abs/2108.10446v1
- Date: Mon, 23 Aug 2021 23:43:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-25 21:29:18.951752
- Title: All You Need is Color: Image based Spatial Gene Expression Prediction
using Neural Stain Learning
- Title(参考訳): 色だけ:ニューラルステインラーニングを用いた画像に基づく空間的遺伝子発現予測
- Authors: Muhammad Dawood, Kim Branson, Nasir M. Rajpoot, Fayyaz ul Amir Afsar
Minhas
- Abstract要約: 本研究では,空間的転写学的遺伝子発現プロファイルの予測のための機械学習手法を提案する。
提案手法から得られた遺伝子発現予測は,シークエンシングにより得られた真の表現値と高い相関関係を示した。
- 参考スコア(独自算出の注目度): 11.9045433112067
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: "Is it possible to predict expression levels of different genes at a given
spatial location in the routine histology image of a tumor section by modeling
its stain absorption characteristics?" In this work, we propose a "stain-aware"
machine learning approach for prediction of spatial transcriptomic gene
expression profiles using digital pathology image of a routine Hematoxylin &
Eosin (H&E) histology section. Unlike recent deep learning methods which are
used for gene expression prediction, our proposed approach termed Neural Stain
Learning (NSL) explicitly models the association of stain absorption
characteristics of the tissue with gene expression patterns in spatial
transcriptomics by learning a problem-specific stain deconvolution matrix in an
end-to-end manner. The proposed method with only 11 trainable weight parameters
outperforms both classical regression models with cellular composition and
morphological features as well as deep learning methods. We have found that the
gene expression predictions from the proposed approach show higher correlations
with true expression values obtained through sequencing for a larger set of
genes in comparison to other approaches.
- Abstract(参考訳): 「腫瘍部の定期組織像において、その染色吸収特性をモデル化して、所定の空間的位置における異なる遺伝子の発現レベルを予測することは可能か。」
本研究では,ヘマトキシリン&エオシン(H&E)ヒストロジーセクションのデジタル病理画像を用いて,空間転写学的遺伝子発現プロファイルの予測のための「ステイン・アウェア」機械学習手法を提案する。
遺伝子発現予測に使用される最近の深層学習法とは違って,提案手法であるNeural Stain Learning (NSL) は,問題固有の染色脱畳行列をエンドツーエンドに学習することで,組織と遺伝子発現パターンとの関係を明示的にモデル化する。
提案手法は,11個のトレーニング可能な重みパラメータのみで,細胞組成と形態的特徴を持つ古典回帰モデルと深層学習法の両方に優れる。
提案手法から得られた遺伝子発現予測は,他の手法と比較して,より大規模な遺伝子配列に対するシークエンシングによって得られた真の発現値と高い相関関係を示した。
関連論文リスト
- Efficient and Scalable Fine-Tune of Language Models for Genome
Understanding [49.606093223945734]
textscLanguage prefix ftextscIne-tuning for textscGentextscOmes。
DNA基盤モデルとは異なり、textscLingoは自然言語基盤モデルの文脈的手がかりを戦略的に活用している。
textscLingoはさらに、適応的なランクサンプリング方法により、下流の細調整タスクを数多く許容する。
論文 参考訳(メタデータ) (2024-02-12T21:40:45Z) - 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) - SEPAL: Spatial Gene Expression Prediction from Local Graphs [1.4523812806185954]
視覚組織の外観から遺伝子プロファイルを予測する新しいモデルであるSEPALを提案する。
本手法は, 平均表現に対する相対差を直接観察することにより, 問題の生物学的バイアスを生かしている。
そこで本研究では,転写学における現在のベストプラクティスに従うことにより,タスクをより適切に定義することを目的とした新しいベンチマークを提案する。
論文 参考訳(メタデータ) (2023-09-02T23:24:02Z) - 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) - Contrastive learning-based computational histopathology predict
differential expression of cancer driver genes [13.167222116204226]
HistCodeは、スライド画像全体から差分遺伝子発現を推論する、自己教師付きコントラスト学習フレームワークである。
以上の結果から,本手法は腫瘍診断タスクにおける他の最先端モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-04-25T23:21:33Z) - 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) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳(メタデータ) (2021-12-23T12:17:47Z) - 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。