論文の概要: Machine learning methods for prediction of cancer driver genes: a survey paper

• arxiv url: http://arxiv.org/abs/2109.13685v1
• Date: Tue, 28 Sep 2021 13:00:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-29 14:34:15.038660
• Title: Machine learning methods for prediction of cancer driver genes: a survey paper
• Title（参考訳）: がんドライバ遺伝子の予測のための機械学習手法:調査論文
• Authors: Renan Andrades, Mariana Recamonde-Mendoza
• Abstract要約: 本調査は、機械学習に基づくアプローチを包括的に分析し、がんドライバーの突然変異と遺伝子を同定することを目的とする。 従来,データ型とMLアルゴリズム間の相互作用について検討してきた。 MLがもたらす分野における重要な発展に読者がより親しみやすくすることで、オープンな問題に対処し、がんドライバーの発見に向けて知識を前進させることを、新たな研究者に促すことを願っている。
• 参考スコア（独自算出の注目度）: 1.713291434132985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying the genes and mutations that drive the emergence of tumors is a major step to improve understanding of cancer and identify new directions for disease diagnosis and treatment. Despite the large volume of genomics data, the precise detection of driver mutations and their carrying genes, known as cancer driver genes, from the millions of possible somatic mutations remains a challenge. Computational methods play an increasingly important role in identifying genomic patterns associated with cancer drivers and developing models to predict driver events. Machine learning (ML) has been the engine behind many of these efforts and provides excellent opportunities for tackling remaining gaps in the field. Thus, this survey aims to perform a comprehensive analysis of ML-based computational approaches to identify cancer driver mutations and genes, providing an integrated, panoramic view of the broad data and algorithmic landscape within this scientific problem. We discuss how the interactions among data types and ML algorithms have been explored in previous solutions and outline current analytical limitations that deserve further attention from the scientific community. We hope that by helping readers become more familiar with significant developments in the field brought by ML, we may inspire new researchers to address open problems and advance our knowledge towards cancer driver discovery.
• Abstract（参考訳）: 腫瘍の発生を促進する遺伝子や突然変異を同定することは、がんの理解を改善し、疾患の診断と治療のための新しい方向を特定するための大きなステップである。 膨大なゲノミクスデータにもかかわらず、数百万もの体細胞突然変異の可能性からドライバーの突然変異とその遺伝子を正確に検出することは、依然として課題である。 計算手法は、がんドライバに関連するゲノムパターンの同定や、ドライバーイベントを予測するモデルの開発において、ますます重要な役割を担っている。 機械学習(ML)は、これらの取り組みの多くを支えるエンジンであり、この分野における残りのギャップに取り組むための優れた機会を提供する。 そこで本研究では,がんの遺伝子変異を同定するためのmlに基づく計算手法の包括的解析を行い,この科学的問題における広範なデータとアルゴリズム的展望の統合的パノラマビューを提供することを目的としている。 データ型とMLアルゴリズム間の相互作用が,これまでのソリューションでどのように研究されてきたのかを論じ,科学界から注目に値する現在の分析的限界を概説する。 mlがもたらした分野における重要な発展に読者がより親しみやすくすることで、新しい研究者がオープンな問題に対処し、私たちの知識をがんのドライバー発見へと前進させることを願っている。

関連論文リスト

• Variational and Explanatory Neural Networks for Encoding Cancer Profiles and Predicting Drug Responses [40.80133767939435]
  既存のAIモデルは、転写学データのノイズと生物学的解釈性の欠如により、課題に直面している。 ノイズ効果を軽減するために変動成分を組み込んだ新しいニューラルネットワークフレームワークVETEを紹介する。 VETEは、AIによる予測と、がん研究における生物学的に意味のある洞察のギャップを埋める。
  論文  参考訳（メタデータ） (2024-07-05T13:13:02Z)
• Knowledge-Informed Machine Learning for Cancer Diagnosis and Prognosis: A review [2.2268038840298714]
  バイオメディカルな知識とデータの融合を取り入れた最先端の機械学習研究について概説する。 機械学習パイプラインにおける知識表現の多様な形態と知識統合の現在の戦略について概説する。
  論文  参考訳（メタデータ） (2024-01-12T07:01:36Z)
• 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)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• Cancer-inspired Genomics Mapper Model for the Generation of Synthetic DNA Sequences with Desired Genomics Signatures [0.0]
  がんに触発されたゲノムマッパーモデル(CGMM)は、遺伝的アルゴリズム(GA)とディープラーニング(DL)の手法を組み合わせたものである。 我々はCGMMが、祖先や癌などの選択された表現型の合成ゲノムを生成できることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T07:16:40Z)
• 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)
• SurvODE: Extrapolating Gene Expression Distribution for Early Cancer Identification [8.868473888198597]
  任意の時点における遺伝子発現分布をシミュレートできる新しい手法を提案する。 我々の可視化結果とさらなる分析は、癌の早期における発現をシミュレートするために、我々の手法をどのように利用できるかを示している。
  論文  参考訳（メタデータ） (2021-11-30T02:49:11Z)
• 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)
• 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)
• 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。