論文の概要: OmiTrans: generative adversarial networks based omics-to-omics
translation framework
- arxiv url: http://arxiv.org/abs/2111.13785v1
- Date: Sat, 27 Nov 2021 00:45:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 15:37:36.305329
- Title: OmiTrans: generative adversarial networks based omics-to-omics
translation framework
- Title(参考訳): omitrans: 生成型adversarial networksベースのomics-to-omics翻訳フレームワーク
- Authors: Xiaoyu Zhang and Yike Guo
- Abstract要約: ディープラーニングフレームワークは、Omics-to-omics翻訳を実現するために、生成的敵ネットワークの概念を採用した。
オミトランスは、DNAメチル化データから遺伝子発現プロファイルを高精度に再構築し、モデル一般化を実現した。
- 参考スコア(独自算出の注目度): 19.741298224791834
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the rapid development of high-throughput experimental technologies,
different types of omics (e.g., genomics, epigenomics, transcriptomics,
proteomics, and metabolomics) data can be produced from clinical samples. The
correlations between different omics types attracts a lot of research interest,
whereas the stduy on genome-wide omcis data translation (i.e, generation and
prediction of one type of omics data from another type of omics data) is almost
blank. Generative adversarial networks and the variants are one of the most
state-of-the-art deep learning technologies, which have shown great success in
image-to-image translation, text-to-image translation, etc. Here we proposed
OmiTrans, a deep learning framework adopted the idea of generative adversarial
networks to achieve omics-to-omics translation with promising results. OmiTrans
was able to faithfully reconstruct gene expression profiles from DNA
methylation data with high accuracy and great model generalisation, as
demonstrated in the experiments.
- Abstract(参考訳): 高スループット実験技術の急速な発展により、臨床サンプルから様々な種類のオミクス(ゲノム学、エピゲノミクス、転写学、プロテオミクス、メタボロミクス)データを生成することができる。
異なるオデック型間の相関は、多くの研究の関心を集めているが、ゲノム全体のオデックデータ変換(つまり、別の種類のオデックデータからの1つのオデックデータの生成と予測)は、ほとんど空白である。
画像から画像への変換やテキストから画像への変換などにおいて大きな成功を収めた,最先端のディープラーニング技術の1つである。
そこで我々は,omic-to-omics翻訳を実現するために,生成型adversarial networkのアイデアを採用したディープラーニングフレームワークである omitrans を提案する。
実験で示されたように,OmiTransはDNAメチル化データから遺伝子発現プロファイルを高精度かつ優れたモデル一般化で忠実に再構築することができた。
関連論文リスト
- Efficient and Scalable Fine-Tune of Language Models for Genome
Understanding [49.606093223945734]
textscLanguage prefix ftextscIne-tuning for textscGentextscOmes。
DNA基盤モデルとは異なり、textscLingoは自然言語基盤モデルの文脈的手がかりを戦略的に活用している。
textscLingoはさらに、適応的なランクサンプリング方法により、下流の細調整タスクを数多く許容する。
論文 参考訳(メタデータ) (2024-02-12T21:40:45Z) - Breast Ultrasound Tumor Classification Using a Hybrid Multitask
CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。
ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。
本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文 参考訳(メタデータ) (2023-08-04T01:19:32Z) - Unified Model Learning for Various Neural Machine Translation [63.320005222549646]
既存の機械翻訳(NMT)研究は主にデータセット固有のモデルの開発に焦点を当てている。
我々は,NMT(UMLNMT)のための統一モデル学習モデル(Unified Model Learning for NMT)を提案する。
OurNMTは、データセット固有のモデルよりも大幅に改善され、モデルデプロイメントコストが大幅に削減される。
論文 参考訳(メタデータ) (2023-05-04T12:21:52Z) - Modeling Dense Multimodal Interactions Between Biological Pathways and
Histology for Survival Prediction [3.6984952958286876]
本稿では,パスとヒストロジーパッチトークン間の相互作用をモデル化できるメモリ効率の良いマルチモーダルトランスを提案する。
提案モデルであるSURVPATHは,非モーダルベースラインとマルチモーダルベースラインの両方に対して評価した場合に,最先端の性能を実現する。
論文 参考訳(メタデータ) (2023-04-13T21:02:32Z) - TransFool: An Adversarial Attack against Neural Machine Translation
Models [49.50163349643615]
敵攻撃に対するニューラルネットワーク翻訳(NMT)モデルの脆弱性を調査し,TransFoolと呼ばれる新たな攻撃アルゴリズムを提案する。
クリーンなサンプルと高いレベルのセマンティックな類似性を保ったソースコード言語で、流動的な逆の例を生成する。
自動的および人的評価に基づいて、TransFoolは、既存の攻撃と比較して成功率、意味的類似性、流布率の改善につながる。
論文 参考訳(メタデータ) (2023-02-02T08:35:34Z) - Exemplar Guided Deep Neural Network for Spatial Transcriptomics Analysis
of Gene Expression Prediction [9.192169460752805]
本稿では,組織スライド画像の各ウィンドウから直接,遺伝子発現を高精度かつ効率的に予測するExemplar Guided Network(EGN)を提案する。
我々のEGNフレームワークは,(1)教師なし検索のための表現空間を構成する抽出器,(2)入力ウィンドウの表現を段階的に抽出する視覚変換器(ViT)バックボーン,(3)中間の例を用いて中間のViT表現を適応的に修正するExemplar Bridging(EB)ブロックの3つの主要コンポーネントで構成されている。
論文 参考訳(メタデータ) (2022-10-30T02:22:20Z) - A Fair Experimental Comparison of Neural Network Architectures for
Latent Representations of Multi-Omics for Drug Response Prediction [7.690774882108066]
等価条件下でのマルチオミクス統合手法の訓練と最適化を行う。
我々は、中間統合と後期統合の利点を組み合わせた新しい手法、Omics Stackingを考案した。
複数のオミクスデータを用いた公開薬物応答データセットを用いて実験を行った。
論文 参考訳(メタデータ) (2022-08-31T12:46:08Z) - Learning to Generalize to More: Continuous Semantic Augmentation for
Neural Machine Translation [50.54059385277964]
CsaNMT(Continuous Semantic Augmentation)と呼ばれる新しいデータ拡張パラダイムを提案する。
CsaNMTは各トレーニングインスタンスを、同じ意味の下で適切なリテラル式をカバーできる隣接領域で拡張する。
論文 参考訳(メタデータ) (2022-04-14T08:16:28Z) - Graph Representation Learning on Tissue-Specific Multi-Omics [0.0]
組織特異的遺伝子間相互作用(GGI)ネットワーク上でリンク予測を行うために,グラフ埋め込みモデル(すなわちVGAE)を利用する。
複数生物のモダリティ(マルチオミクス)の組み合わせは、強力な埋め込みとより良いリンク予測性能をもたらすことを証明した。
論文 参考訳(メタデータ) (2021-07-25T17:38:45Z) - A Cross-Level Information Transmission Network for Predicting Phenotype
from New Genotype: Application to Cancer Precision Medicine [37.442717660492384]
本稿では,CLEIT(Cross-Level Information Transmission Network)フレームワークを提案する。
ドメイン適応にインスパイアされたCLEITは、まずハイレベルドメインの潜在表現を学び、その後、接地木埋め込みとして利用する。
体細胞突然変異による抗がん剤感受性の予測におけるCLEITの有効性と性能の向上を示す。
論文 参考訳(メタデータ) (2020-10-09T22:01:00Z) - 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)
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。