論文の概要: SurvODE: Extrapolating Gene Expression Distribution for Early Cancer Identification

• arxiv url: http://arxiv.org/abs/2111.15080v1
• Date: Tue, 30 Nov 2021 02:49:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-01 14:19:47.627270
• Title: SurvODE: Extrapolating Gene Expression Distribution for Early Cancer Identification
• Title（参考訳）: SurvODE:早期癌同定のための遺伝子発現解析
• Authors: Tong Chen, Sheng Wang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.868473888198597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the increasingly available large-scale cancer genomics datasets, machine learning approaches have played an important role in revealing novel insights into cancer development. Existing methods have shown encouraging performance in identifying genes that are predictive for cancer survival, but are still limited in modeling the distribution over genes. Here, we proposed a novel method that can simulate the gene expression distribution at any given time point, including those that are out of the range of the observed time points. In order to model the irregular time series where each patient is one observation, we integrated a neural ordinary differential equation (neural ODE) with cox regression into our framework. We evaluated our method on eight cancer types on TCGA and observed a substantial improvement over existing approaches. Our visualization results and further analysis indicate how our method can be used to simulate expression at the early cancer stage, offering the possibility for early cancer identification.
• Abstract（参考訳）: 大規模がんゲノムデータセットがますます普及する中で、機械学習アプローチはがん発生に関する新たな洞察を明らかにする上で重要な役割を担っている。 既存の方法では、がんの生存を予測できるが、遺伝子上の分布をモデル化する上ではまだ限られている遺伝子を同定する性能が向上している。 そこで本研究では,任意の時点における遺伝子発現分布をシミュレートする新しい手法を提案する。 それぞれの患者が観察される不規則な時系列をモデル化するために,神経常微分方程式(neural ODE)をコックス回帰と統合した。 本手法をTCGAの8種類の癌に対して評価し,既存のアプローチよりも大幅に改善した。 我々の可視化結果とさらなる分析は, 早期がんにおける発現をシミュレートし, 早期がんの同定の可能性を示すものである。

関連論文リスト

• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• Gene-MOE: A sparsely gated prognosis and classification framework exploiting pan-cancer genomic information [13.57379781623848]
  そこで本研究では, RNA-seq解析フレームワークであるGene-MOEについて紹介する。 Gene-MOEは、分析精度を高めるために、MOE層とアテンションエキスパート層の混合物のポテンシャルを利用する。 事前訓練を通じて33種類のがんからパンがん情報を統合することで、過度に適合する課題に対処する。
  論文  参考訳（メタデータ） (2023-11-29T07:09:25Z)
• 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)
• 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)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• Attention-based Interpretable Regression of Gene Expression in Histology [0.0]
  深層学習の解釈可能性は、医用画像モデルの信頼性を評価するために広く利用されている。 腫瘍組織の顕微な外観と遺伝子発現のプロファイリングとの関連性を明らかにする。
  論文  参考訳（メタデータ） (2022-08-29T07:30:33Z)
• Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
  オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する 乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。 より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
  論文  参考訳（メタデータ） (2022-01-09T04:35:55Z)
• Machine learning methods for prediction of cancer driver genes: a survey paper [1.713291434132985]
  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。
  論文  参考訳（メタデータ） (2021-09-28T13:00:07Z)
• 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)
• Divide-and-Rule: Self-Supervised Learning for Survival Analysis in Colorectal Cancer [9.431791041887957]
  本稿では,組織領域の表現とクラスタリングのメトリクスを学習し,その基盤となるパターンを学習する自己教師型学習手法を提案する。 提案手法は, 患者結果予測の過度な適合を避けるために, 線形予測器の恩恵を受けることができることを示す。
  論文  参考訳（メタデータ） (2020-07-07T09:15:36Z)
• 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。