論文の概要: DeepGene Transformer: Transformer for the gene expression-based classification of cancer subtypes

• arxiv url: http://arxiv.org/abs/2108.11833v4
• Date: Wed, 10 Jul 2024 12:16:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-11 22:45:35.516325
• Title: DeepGene Transformer: Transformer for the gene expression-based classification of cancer subtypes
• Title（参考訳）: DeepGene Transformer:癌サブタイプの遺伝子発現に基づく分類のためのトランスフォーマー
• Authors: Anwar Khan, Boreom Lee,
• Abstract要約: がんとそのサブタイプは世界中の死因の約30%を占める。 マルチヘッド自己認識モジュールを用いた高次元遺伝子発現の複雑さに対処するDeepGene Transformerを提案する。
• 参考スコア（独自算出の注目度）: 5.179504118679301
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cancer and its subtypes constitute approximately 30% of all causes of death globally and display a wide range of heterogeneity in terms of clinical and molecular responses to therapy. Molecular subtyping has enabled the use of precision medicine to overcome these challenges and provide significant biological insights to predict prognosis and improve clinical decision-making. Over the past decade, conventional machine learning (ML) and deep learning (DL) algorithms have been widely espoused for the classification of cancer subtypes from gene expression datasets. However, these methods are potentially biased toward the identification of cancer biomarkers. Hence, an end-to-end deep learning approach, DeepGene Transformer, is proposed which addresses the complexity of high-dimensional gene expression with a multi-head self-attention module by identifying relevant biomarkers across multiple cancer subtypes without requiring feature selection as a pre-requisite for the current classification algorithms. Comparative analysis reveals that the proposed DeepGene Transformer outperformed the commonly used traditional and state-of-the-art classification algorithms and can be considered an efficient approach for classifying cancer and its subtypes, indicating that any improvement in deep learning models in computational biologists can be reflected well in this domain as well.
• Abstract（参考訳）: がんとそのサブタイプは、全世界で死の原因の約30%を占め、治療に対する臨床的および分子的反応に関して幅広い異種性を示す。 分子サブタイピングにより、これらの課題を克服し、予後を予測し、臨床的意思決定を改善するための重要な生物学的洞察を提供するために精密医療が利用可能になった。 過去10年間で、従来の機械学習(ML)とディープラーニング(DL)アルゴリズムは、遺伝子発現データセットから癌サブタイプの分類に広く利用されてきた。 しかし、これらの手法は癌バイオマーカーの同定に偏っている可能性がある。 そこで, エンドツーエンドのディープラーニング手法であるDeepGene Transformerを提案し, 現在の分類アルゴリズムの前提条件として機能選択を必要とせず, 複数のがんサブタイプにまたがる関連バイオマーカーを同定することにより, 高次元遺伝子発現の複雑さに対処する。 比較分析の結果,提案したDeepGene Transformerは従来型および最先端の分類アルゴリズムよりも優れており,癌とそのサブタイプを分類するための効率的なアプローチである可能性が示唆された。

関連論文リスト

• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• 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)
• Subtype-Former: a deep learning approach for cancer subtype discovery with multi-omics data [17.36619699329539]
  本研究では,TransformerとBlockに基づくディープラーニング手法であるSubtype-Formerを提案する。 その結果,Subtype-Formerは生存率分析に基づいて,5000以上の腫瘍のベンチマークデータセットで良好な性能を発揮することがわかった。 対象とするがん治療薬の研究に使用できる50種類の重要なバイオマーカーを同定した。
  論文  参考訳（メタデータ） (2022-07-28T08:15:06Z)
• Automated Cancer Subtyping via Vector Quantization Mutual Information Maximization [10.191396978971168]
  そこで本研究では,遺伝子プロファイルを利用してサブタイプを非教師付きで識別する新たなクラスタリング手法を提案する。 本手法は既存の論争を呼んだラベルを精製し,さらに医学的な分析により癌生存率と高い相関があることが証明された。
  論文  参考訳（メタデータ） (2022-06-22T01:55:08Z)
• Optimize Deep Learning Models for Prediction of Gene Mutations Using Unsupervised Clustering [6.494144125433731]
  ディープ・ラーニング(Deep Learning)は、全スライディングのデジタル病理画像の解析と解釈において、主流の方法論選択となっている。 本稿では, 教師なしクラスタリングに基づくマルチインスタンス学習を提案するとともに, 3種類の癌からのWSIを用いた遺伝子変異予測のための深層学習モデルの構築に本手法を適用した。 画像パッチの教師なしクラスタリングは, 予測パッチの同定, 予測情報の欠如を排除し, 3種類の癌における遺伝子変異の予測を改善できることを示した。
  論文  参考訳（メタデータ） (2022-03-31T11:48:21Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
  低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。 本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。 私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
  論文  参考訳（メタデータ） (2021-02-11T09:04:45Z)
• 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)
• 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)
• The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model Learning with Application to Genomic Data Integration [0.0]
  本稿では,異なるタイプのマルチオミックデータを解析するための混合グラフィカルモデルを提案する。 モデル選択結果の計算効率と精度の両面で,本手法が優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-08T16:34:58Z)

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。