論文の概要: CloudPred: Predicting Patient Phenotypes From Single-cell RNA-seq
- arxiv url: http://arxiv.org/abs/2110.07069v1
- Date: Wed, 13 Oct 2021 22:41:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-16 06:18:10.841776
- Title: CloudPred: Predicting Patient Phenotypes From Single-cell RNA-seq
- Title（参考訳）: CloudPred:単細胞RNA配列から患者の現象を予測する
- Authors: Bryan He, Matthew Thomson, Meena Subramaniam, Richard Perez, Chun
Jimmie Ye, James Zou
- Abstract要約: 単細胞RNAシークエンシング(scRNA-seq)は、病気の予後と精密な医学を知らせる強力な高解像度のシグネチャを提供する可能性がある。
本稿では,cRNA-seqデータから個人の病気の表現型を予測するために,解釈可能な機械学習アルゴリズムであるCloudPredを開発した。
- 参考スコア（独自算出の注目度）: 6.669618903574761
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Single-cell RNA sequencing (scRNA-seq) has the potential to provide powerful,
high-resolution signatures to inform disease prognosis and precision medicine.
This paper takes an important first step towards this goal by developing an
interpretable machine learning algorithm, CloudPred, to predict individuals'
disease phenotypes from their scRNA-seq data. Predicting phenotype from
scRNA-seq is challenging for standard machine learning methods -- the number of
cells measured can vary by orders of magnitude across individuals and the cell
populations are also highly heterogeneous. Typical analysis creates pseudo-bulk
samples which are biased toward prior annotations and also lose the single cell
resolution. CloudPred addresses these challenges via a novel end-to-end
differentiable learning algorithm which is coupled with a biologically informed
mixture of cell types model. CloudPred automatically infers the cell
subpopulation that are salient for the phenotype without prior annotations. We
developed a systematic simulation platform to evaluate the performance of
CloudPred and several alternative methods we propose, and find that CloudPred
outperforms the alternative methods across several settings. We further
validated CloudPred on a real scRNA-seq dataset of 142 lupus patients and
controls. CloudPred achieves AUROC of 0.98 while identifying a specific
subpopulation of CD4 T cells whose presence is highly indicative of lupus.
CloudPred is a powerful new framework to predict clinical phenotypes from
scRNA-seq data and to identify relevant cells.
- Abstract（参考訳）: 単細胞RNAシークエンシング(scRNA-seq)は、病気の予後と精密な医学を知らせる強力な高解像度のシグネチャを提供する可能性がある。
本稿では,この目標に向けて重要な一歩を踏み出し,解釈可能な機械学習アルゴリズムであるcloudpredを開発し,そのscrna-seqデータから個人の疾患表現型を予測する。
scRNA-seqから表現型を予測することは、標準的な機械学習手法では困難である。
典型的な分析は擬似バルクサンプルを生成し、前のアノテーションに偏り、単一細胞の解像度を失う。
CloudPredは、生物学的に情報を得た細胞モデルの混合と組み合わせた、新しいエンドツーエンドの差別化可能な学習アルゴリズムを通じて、これらの課題に対処する。
CloudPredは、事前アノテーションなしで表現型に忠実な細胞サブポピュレーションを自動的に推論する。
cloudpredと提案する代替手法の性能を評価するためのシステマティックシミュレーションプラットフォームを開発し,いくつかの設定でcloudpredが代替手法を上回ることを見出した。
さらに我々は、142人のループス患者とコントロールの実際のscRNA-seqデータセット上でCloudPredを検証する。
CloudPredはAUROCの0.98を達成し、ループスの存在を示すCD4T細胞の特定のサブ集団を同定する。
cloudpredは、scrna-seqデータから臨床表現型を予測し、関連する細胞を特定する強力な新しいフレームワークである。
関連論文リスト
- Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。
本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
論文 参考訳（メタデータ） (2024-07-16T14:05:03Z) - 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) - Interpretable pap smear cell representation for cervical cancer
screening [3.8656297418166305]
変分オートエンコーダを用いた1クラス分類に基づいて, 乳頭スミア画像の深部頸部細胞表現を学習する手法を提案する。
我々のモデルは、深層モデルの付加的な訓練を必要とせずに、異常を識別することができる。
論文 参考訳（メタデータ） (2023-11-17T01:29:16Z) - scHyena: Foundation Model for Full-Length Single-Cell RNA-Seq Analysis
in Brain [46.39828178736219]
我々はこれらの課題に対処し、脳内のscRNA-seq解析の精度を高めるために設計された基礎モデルであるscHyenaを紹介する。
scHyenaは、線形適応層、遺伝子埋め込みによる位置エンコーディング、および双方向ハイエナ演算子を備えている。
これにより、生データから情報を失うことなく、全長の scRNA-seq データを処理できる。
論文 参考訳（メタデータ） (2023-10-04T10:30:08Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - N-ACT: An Interpretable Deep Learning Model for Automatic Cell Type and
Salient Gene Identification [0.0]
ほとんどのscRNAseq解析パイプラインにおける大きな制限は、細胞のアイデンティティを決定するために手動のアノテーションに依存することである。
N-ACTは、ニューラルアテンションを利用して細胞型同定に使用するサルエント遺伝子を検出するACTIのための、第一級の解釈可能なディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-05-08T18:13:28Z) - A systematic evaluation of methods for cell phenotype classification
using single-cell RNA sequencing data [7.62849213621469]
本研究は、細胞表現型を分類する13の一般的な教師付き機械学習アルゴリズムを評価する。
研究結果から、ElasticNetと対話は、中小のデータセットで最善を尽くしたことが示された。
論文 参考訳（メタデータ） (2021-10-01T23:24:15Z) - Approximate kNN Classification for Biomedical Data [1.1852406625172218]
Single-cell RNA-seq (scRNA-seq) は、将来性はあるが重要な計算課題を持つDNAシークエンシング技術である。
scRNA-seqデータにおけるkNN分類のタスクに近似した近接探索アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-03T18:30:43Z) - 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) - Cell Type Identification from Single-Cell Transcriptomic Data via
Semi-supervised Learning [2.4271601178529063]
シングルセルRNAシークエンシング(scRNAseq)データ解析の共通の目的は、シングルセル転写データからの細胞型同定である。
ラベルなしの scRNAseq 細胞とラベル付き scRNAseq 細胞を限定的に使用して細胞識別を行う半教師付き学習モデルを提案する。
提案手法は, ラベル付きcRNAseq細胞を極端に限定して学習することで, 高い性能を達成できることが観察された。
論文 参考訳（メタデータ） (2020-05-06T19:15:43Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z)
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。