論文の概要: Biomarker Gene Identification for Breast Cancer Classification
- arxiv url: http://arxiv.org/abs/2111.05546v1
- Date: Wed, 10 Nov 2021 06:38:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-11 14:57:28.102566
- Title: Biomarker Gene Identification for Breast Cancer Classification
- Title(参考訳): 乳癌分類のためのバイオマーカー遺伝子同定
- Authors: Sheetal Rajpal, Ankit Rajpal, Manoj Agarwal, Naveen Kumar
- Abstract要約: 本研究は,バイオマーカーの同定にサブタイプ分類に用いるディープニューラルネットワークによる解釈予測を用いた。
提案したアルゴリズムは、43個の差分表現された遺伝子シグネチャの発見に繋がった。
- 参考スコア(独自算出の注目度): 2.403531305046943
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: BACKGROUND: Breast cancer has emerged as one of the most prevalent cancers
among women leading to a high mortality rate. Due to the heterogeneous nature
of breast cancer, there is a need to identify differentially expressed genes
associated with breast cancer subtypes for its timely diagnosis and treatment.
OBJECTIVE: To identify a small gene set for each of the four breast cancer
subtypes that could act as its signature, the paper proposes a novel algorithm
for gene signature identification. METHODS: The present work uses interpretable
AI methods to investigate the predictions made by the deep neural network
employed for subtype classification to identify biomarkers using the TCGA
breast cancer RNA Sequence data. RESULTS: The proposed algorithm led to the
discovery of a set of 43 differentially expressed gene signatures. We achieved
a competitive average 10-fold accuracy of 0.91, using neural network
classifier. Further, gene set analysis revealed several relevant pathways, such
as GRB7 events in ERBB2 and p53 signaling pathway. Using the Pearson
correlation matrix, we noted that the subtype-specific genes are correlated
within each subtype. CONCLUSIONS: The proposed technique enables us to find a
concise and clinically relevant gene signature set.
- Abstract(参考訳): BACKGROUND: 乳癌は、高い死亡率につながる女性の中で、最も多いがんの1つとして現れています。
乳癌の異質な性質のため、タイムリーな診断と治療のために、乳がんサブタイプに関連する異なる発現遺伝子を同定する必要がある。
OBJECTIVE: 署名として機能する4つの乳がんサブタイプのそれぞれに設定された小さな遺伝子を同定するために, 遺伝子同定のための新しいアルゴリズムを提案する。
方法: 本研究は解釈可能なAI手法を用いて, サブタイプ分類に使用されるディープニューラルネットワークによる予測を調査し, TCGA乳癌RNA配列データを用いてバイオマーカーを同定する。
RESULTS: 提案アルゴリズムは43個の差分表現された遺伝子シグネチャの発見に繋がった。
ニューラルネットワーク分類器を用いて,平均10倍精度0.91を達成した。
さらに、遺伝子セット解析により、ERBB2およびp53シグナル伝達経路におけるGRB7イベントのようないくつかの関連経路が明らかになった。
Pearson相関行列を用いて,各サブタイプにサブタイプ特異的な遺伝子が相関していることを示した。
結論: 提案手法により, 簡潔かつ臨床的に関連する遺伝子シグネチャセットを探索できる。
関連論文リスト
- Fuzzy Gene Selection and Cancer Classification Based on Deep Learning
Model [1.3072222152900117]
我々は,癌分類を容易にする情報的遺伝子を同定するための新しいファジィ遺伝子選択法(FGS)を開発した。
FGS法で癌分類は96.5%,96.2%,96%,95.9%の精度,精度,リコール,f1スコアを得た。
得られた6つのデータセットを調べることで、提案モデルはがんを効果的に分類する能力を示す。
論文 参考訳(メタデータ) (2023-05-04T21:52:57Z) - 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) - A Pathologist-Informed Workflow for Classification of Prostate Glands in
Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。
がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。
本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文 参考訳(メタデータ) (2022-09-27T14:08:19Z) - 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) - Deep Learning Based Model for Breast Cancer Subtype Classification [3.419451872918847]
本稿では,乳癌の4つのサブタイプ(Basal,Her2,LumA,LumB)の分類における遺伝子発現データの利用に焦点を当てた。
オートエンコーダを用いて、特徴セットのサイズを20,530の遺伝子発現値から500に縮小する。
第1ステージと第2ステージのネットワークを併用することにより,TGA乳癌データセット上で平均10倍の精度0.907を達成できた。
論文 参考訳(メタデータ) (2021-11-06T17:15:35Z) - Gene Transformer: Transformers for the Gene Expression-based
Classification of Cancer Subtypes [0.0]
本稿では,多頭部自己認識モジュールによる高次元遺伝子発現の複雑さに対処するエンド・ツー・エンドのディープラーニング手法であるGene Transformerを提案する。
Gene Transformerは、がん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り、計算生物学におけるディープラーニングモデルの改善は、この領域でもよく反映できることを示している。
論文 参考訳(メタデータ) (2021-08-26T15:02:55Z) - 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)
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。