Fugu-MT 論文翻訳(概要): All You Need is Color: Image based Spatial Gene Expression Prediction using Neural Stain Learning

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/2108.10446v2
Date: Thu, 26 Aug 2021 10:45:21 GMT
ステータス: 処理完了
システム内更新日: 2021-08-27 10:53:11.945397
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-nc-sa/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

Long-range gene expression prediction with token alignment of large language model [37.10820914895689]
本稿では,遺伝子配列の特徴を自然言語トークンと整合させる遺伝子配列Token Alignment(GTA)を提案する。 GTAは規制文法を学習し、遺伝子特異的な人間のアノテーションをプロンプトとして組み込むことができる。 GTAは、事前訓練された言語モデルを利用して、遺伝子発現予測に対する強力で斬新なクロスモーダルなアプローチを示す。
論文参考訳（メタデータ） (2024-10-02T02:42:29Z)
Distance-Preserving Generative Modeling of Spatial Transcriptomics [0.0]
本稿では,空間転写学における距離保存型生成モデルについて紹介する。得られた空間情報を用いて、類似した対距離構造を持つ遺伝子表現の学習表現空間を正規化する。我々のフレームワークは、遺伝子発現モデリングのためのあらゆる変分推論に基づく生成モデルとの互換性を付与する。
論文参考訳（メタデータ） (2024-08-01T21:04:27Z)
What makes for good morphology representations for spatial omics? [1.4298574812790055]
本稿では,空間オミクスと形態学の組み合わせ法を分類する枠組みを提案する。翻訳によって、空間的に遺伝子発現パターンと相関する形態的特徴を見つけることを意味する。統合によって、遺伝子発現パターンを空間的に補完する形態的特徴を見つけることを意味する。
論文参考訳（メタデータ） (2024-07-30T08:52:51Z)
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)
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)
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)
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)

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。