論文の概要: Deep neural networks with controlled variable selection for the
identification of putative causal genetic variants
- arxiv url: http://arxiv.org/abs/2109.14719v1
- Date: Wed, 29 Sep 2021 20:57:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-01 14:59:01.524338
- Title: Deep neural networks with controlled variable selection for the
identification of putative causal genetic variants
- Title(参考訳): 遺伝的変異の同定のための制御変数選択を用いたディープニューラルネットワーク
- Authors: Peyman H. Kassani, Fred Lu, Yann Le Guen and Zihuai He
- Abstract要約: 本稿では,遺伝的研究のための可変選択を制御した,アンサンブルを用いた解釈可能なニューラルネットワークモデルを提案する。
本手法の利点は,(1)遺伝的変異の非線形効果を柔軟にモデル化し,統計力を向上させること,(2)誤発見率を厳格に制御するために入力層内の複数のノックオフ,(3)重みパラメータやアクティベーションの数を大幅に減らし,計算効率を向上させること,を含む。
- 参考スコア(独自算出の注目度): 0.43012765978447565
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep neural networks (DNN) have been used successfully in many scientific
problems for their high prediction accuracy, but their application to genetic
studies remains challenging due to their poor interpretability. In this paper,
we consider the problem of scalable, robust variable selection in DNN for the
identification of putative causal genetic variants in genome sequencing
studies. We identified a pronounced randomness in feature selection in DNN due
to its stochastic nature, which may hinder interpretability and give rise to
misleading results. We propose an interpretable neural network model,
stabilized using ensembling, with controlled variable selection for genetic
studies. The merit of the proposed method includes: (1) flexible modelling of
the non-linear effect of genetic variants to improve statistical power; (2)
multiple knockoffs in the input layer to rigorously control false discovery
rate; (3) hierarchical layers to substantially reduce the number of weight
parameters and activations to improve computational efficiency; (4)
de-randomized feature selection to stabilize identified signals. We evaluated
the proposed method in extensive simulation studies and applied it to the
analysis of Alzheimer disease genetics. We showed that the proposed method,
when compared to conventional linear and nonlinear methods, can lead to
substantially more discoveries.
- Abstract(参考訳): ディープニューラルネットワーク(DNN)は、高い予測精度のために多くの科学的問題で成功したが、その解釈性が悪いため、遺伝学への応用は依然として困難である。
本稿では、ゲノムシークエンシング研究における因果遺伝子変異の同定のためのDNNにおけるスケーラブルで堅牢な変数選択の問題について考察する。
我々は,DNNの特徴選択において,その確率的性質が解釈可能性の妨げとなり,誤解を招く可能性のある特徴選択のランダム性を明らかにした。
本稿では,遺伝子解析のための可変選択を制御したニューラルネットモデルを提案する。
本手法の利点は,(1)遺伝的変異体の非線形効果を柔軟にモデル化し,統計力を向上させること,(2)誤発見率を厳格に制御するために入力層内の複数のノックオフ,(3)重みパラメータやアクティベーションを著しく低減して計算効率を向上させる階層,(4)特定信号の安定化のための非ランダム化特徴選択を含む。
本手法を広範囲にわたるシミュレーション研究で評価し,アルツハイマー病遺伝子解析に応用した。
提案手法は, 従来の線形・非線形手法と比較して, かなり多くの発見を導出できることを示した。
関連論文リスト
- Targeted Cause Discovery with Data-Driven Learning [66.86881771339145]
本稿では,観測結果から対象変数の因果変数を推定する機械学習手法を提案する。
我々は、シミュレートされたデータの教師あり学習を通じて因果関係を特定するために訓練されたニューラルネットワークを用いる。
大規模遺伝子制御ネットワークにおける因果関係の同定における本手法の有効性を実証した。
論文 参考訳(メタデータ) (2024-08-29T02:21:11Z) - Interpreting artificial neural networks to detect genome-wide association signals for complex traits [0.0]
我々は人工ニューラルネットワークを訓練し、シミュレーションと実際のジェノタイプフェノタイプデータセットの両方を用いて複雑な特徴を予測する。
統合失調症に合併した多発性座位を指摘された。
論文 参考訳(メタデータ) (2024-07-26T15:20:42Z) - Identifying the Attractors of Gene Regulatory Networks from Expression Data under Uncertainty: An Interpretable Approach [0.0]
実際の遺伝子制御ネットワークの時間的遺伝子発現プロファイルを考慮すれば、アトラクタはどのように堅牢に識別できるのか?
本稿では,Zadeh Computing with Wordsに基づく新しいアプローチを用いて,この問題に対処する。
提案手法は、ファジィ論理と言語的記述の両方の観点から、時間的遺伝子発現データからアトラクタを効果的に識別することができる。
論文 参考訳(メタデータ) (2024-03-16T20:56:22Z) - Predicting loss-of-function impact of genetic mutations: a machine
learning approach [0.0]
本稿では,遺伝子変異の属性に基づいて機械学習モデルを学習し,LoFtoolスコアを予測することを目的とする。
これらの属性には、染色体上の突然変異の位置、アミノ酸の変化、変異によって引き起こされるコドンの変化が含まれていた。
モデルは, 平均2乗誤差, 平均2乗誤差, 平均2乗誤差, 平均絶対誤差, 説明分散の5倍のクロスバリデード平均を用いて評価した。
論文 参考訳(メタデータ) (2024-01-26T19:27:38Z) - An Association Test Based on Kernel-Based Neural Networks for Complex
Genetic Association Analysis [0.8221435109014762]
従来のニューラルネットワークと線形混合モデルの強度を相乗化するカーネルベースニューラルネットワークモデル(KNN)を開発した。
MINQUEに基づく遺伝子変異と表現型との結合性を評価する試験。
線形および非線形/非付加的遺伝子効果の評価と解釈のための2つの追加試験。
論文 参考訳(メタデータ) (2023-12-06T05:02:28Z) - DiscoGen: Learning to Discover Gene Regulatory Networks [30.83574314774383]
遺伝子制御ネットワーク(GRN)の正確な推論は、生物学における重要な課題である。
ニューラルネットワークに基づく因果発見手法の最近の進歩は因果発見を著しく改善している。
生物学に最先端の因果発見手法を適用することは、ノイズの多いデータや多数のサンプルのような課題を引き起こす。
本稿では、遺伝子発現の測定をノイズ化し、介入データを処理するニューラルネットワークベースのGRN発見手法であるDiscoGenを紹介する。
論文 参考訳(メタデータ) (2023-04-12T13:02:49Z) - 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) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - The Causal Neural Connection: Expressiveness, Learnability, and
Inference [125.57815987218756]
構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。
本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。
我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
論文 参考訳(メタデータ) (2021-07-02T01:55:18Z) - 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) - Stochasticity in Neural ODEs: An Empirical Study [68.8204255655161]
ニューラルネットワークの正規化(ドロップアウトなど)は、より高度な一般化を可能にするディープラーニングの広範な技術である。
トレーニング中のデータ拡張は、同じモデルの決定論的およびバージョンの両方のパフォーマンスを向上させることを示す。
しかし、データ拡張によって得られる改善により、経験的正規化の利得は完全に排除され、ニューラルODEとニューラルSDEの性能は無視される。
論文 参考訳(メタデータ) (2020-02-22T22:12:56Z)
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。