論文の概要: MoReL: Multi-omics Relational Learning

• arxiv url: http://arxiv.org/abs/2203.08149v1
• Date: Tue, 15 Mar 2022 02:50:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-17 16:04:52.356043
• Title: MoReL: Multi-omics Relational Learning
• Title（参考訳）: MoReL: マルチオミクス関係学習
• Authors: Arman Hasanzadeh, Ehsan Hajiramezanali, Nick Duffield, Xiaoning Qian
• Abstract要約: ヘテロジニアスビューの分子間相互作用をコードする多部グラフを効率的に推定する新しいディープベイズ生成モデルを提案する。 このようなディープベイズ生成モデルにおける最適輸送正則化により、ビュー固有側情報を組み込むだけでなく、分布ベース正則化によるモデルの柔軟性も向上する。
• 参考スコア（独自算出の注目度）: 26.484803417186384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-omics data analysis has the potential to discover hidden molecular interactions, revealing potential regulatory and/or signal transduction pathways for cellular processes of interest when studying life and disease systems. One of critical challenges when dealing with real-world multi-omics data is that they may manifest heterogeneous structures and data quality as often existing data may be collected from different subjects under different conditions for each type of omics data. We propose a novel deep Bayesian generative model to efficiently infer a multi-partite graph encoding molecular interactions across such heterogeneous views, using a fused Gromov-Wasserstein (FGW) regularization between latent representations of corresponding views for integrative analysis. With such an optimal transport regularization in the deep Bayesian generative model, it not only allows incorporating view-specific side information, either with graph-structured or unstructured data in different views, but also increases the model flexibility with the distribution-based regularization. This allows efficient alignment of heterogeneous latent variable distributions to derive reliable interaction predictions compared to the existing point-based graph embedding methods. Our experiments on several real-world datasets demonstrate enhanced performance of MoReL in inferring meaningful interactions compared to existing baselines.
• Abstract（参考訳）: マルチオミクスデータ解析は隠れた分子間相互作用を発見し、生命や疾患の研究において興味を持つ細胞過程の制御および/またはシグナル伝達経路を明らかにする可能性がある。 実世界のマルチオミクスデータを扱う際の重要な課題の1つは、様々な種類のオミクスデータに対して異なる条件下で、既存のデータから収集されるように、異質な構造とデータ品質を示す可能性があることである。 本稿では,分子間相互作用をヘテロジニアスなビューで表す多部グラフを,対応するビューの潜在表現間の融合Gromov-Wasserstein (FGW) 正規化を用いて効率的に推定する,新しいディープベイズ生成モデルを提案する。 このようなディープベイズ生成モデルにおける最適な輸送正則化により、グラフ構造化データと非構造化データの両方を異なるビューに含めるだけでなく、分布ベースの正則化によってモデルの柔軟性を高めることができる。 これにより、不均一潜在変数分布の効率的なアライメントは、既存の点ベースグラフ埋め込み法と比較して信頼性の高い相互作用予測を導出することができる。 いくつかの実世界のデータセットに対する実験により、既存のベースラインと比較して意味のある相互作用を推測するMoReLの性能が向上した。

関連論文リスト

• Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
  本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。 因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
  論文  参考訳（メタデータ） (2024-06-07T14:29:21Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Multimodal hierarchical Variational AutoEncoders with Factor Analysis latent space [45.418113011182186]
  本研究では,変分オートエンコーダ(VAE)と因子解析潜時空間(FA-VAE)を組み合わせることで,制約に対処する新しい手法を提案する。 FA-VAE法は複数のVAEを用いて連続潜伏空間における各異種データビューのプライベート表現を学習する。
  論文  参考訳（メタデータ） (2022-07-19T10:46:02Z)
• Scalable Regularised Joint Mixture Models [2.0686407686198263]
  多くの応用において、データは異なる基底分布を持つ潜在群にまたがるという意味で不均一である。 我々は,(i)明示的多変量特徴分布,(ii)高次元回帰モデル,(iii)潜在群ラベルの連成学習を可能にする異種データに対するアプローチを提案する。 このアプローチは明らかに高次元において有効であり、計算効率のためのデータ削減と、特徴数が大きければ鍵信号を保持する再重み付けスキームを組み合わせる。
  論文  参考訳（メタデータ） (2022-05-03T13:38:58Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• A graph representation based on fluid diffusion model for multimodal data analysis: theoretical aspects and enhanced community detection [14.601444144225875]
  流体拡散に基づくグラフ定義の新しいモデルを提案する。 本手法は,マルチモーダルデータ解析において,コミュニティ検出のための最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2021-12-07T16:30:03Z)
• A Variational Information Bottleneck Approach to Multi-Omics Data Integration [98.6475134630792]
  本稿では,不完全な多視点観測のための深い変動情報ボトルネック (IB) 手法を提案する。 本手法は,対象物に関連のある視点内および視点間相互作用に焦点をあてるために,観測された視点の辺縁および結合表現にISBフレームワークを適用した。 実世界のデータセットの実験から、我々の手法はデータ統合から常に利益を得て、最先端のベンチマークより優れています。
  論文  参考訳（メタデータ） (2021-02-05T06:05:39Z)
• BayReL: Bayesian Relational Learning for Multi-omics Data Integration [31.65670269480794]
  我々は,異なるマルチオミクスデータ型間の相互作用を推論する新しい手法を開発した。 BayReLはビュー固有の潜伏変数と、ビュー間のインタラクションをエンコードするマルチパーティトグラフを学習する。 実世界の複数のデータセットに対する実験により,BayReLの性能が向上した。
  論文  参考訳（メタデータ） (2020-10-12T17:43:07Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)

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。