論文の概要: rfPhen2Gen: A machine learning based association study of brain imaging
phenotypes to genotypes
- arxiv url: http://arxiv.org/abs/2204.00067v1
- Date: Thu, 31 Mar 2022 20:15:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-04 15:19:33.637539
- Title: rfPhen2Gen: A machine learning based association study of brain imaging
phenotypes to genotypes
- Title(参考訳): rfphen2gen:脳画像表現型と遺伝子型に関する機械学習による研究
- Authors: Muhammad Ammar Malik, Alexander S. Lundervold and Tom Michoel
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 71.1144397510333
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Imaging genetic studies aim to find associations between genetic variants and
imaging quantitative traits. Traditional genome-wide association studies (GWAS)
are based on univariate statistical tests, but when multiple traits are
analyzed together they suffer from a multiple-testing problem and from not
taking into account correlations among the traits. An alternative approach to
multi-trait GWAS is to reverse the functional relation between genotypes and
traits, by fitting a multivariate regression model to predict genotypes from
multiple traits simultaneously. However, current reverse genotype prediction
approaches are mostly based on linear models. Here, we evaluated random forest
regression (RFR) as a method to predict SNPs from imaging QTs and identify
biologically relevant associations. We learned machine learning models to
predict 518,484 SNPs using 56 brain imaging QTs. We observed that genotype
regression error is a better indicator of permutation p-value significance than
genotype classification accuracy. SNPs within the known Alzheimer disease (AD)
risk gene APOE had lowest RMSE for lasso and random forest, but not ridge
regression. Moreover, random forests identified additional SNPs that were not
prioritized by the linear models but are known to be associated with
brain-related disorders. Feature selection identified well-known brain regions
associated with AD,like the hippocampus and amygdala, as important predictors
of the most significant SNPs. In summary, our results indicate that non-linear
methods like random forests may offer additional insights into
phenotype-genotype associations compared to traditional linear multi-variate
GWAS methods.
- Abstract(参考訳): イメージング遺伝研究は、遺伝的変異と定量的特徴の関連を見つけることを目的としている。
従来のゲノムワイド・アソシエーション研究(GWAS)は単変量統計検査に基づいているが、複数の形質が一緒に分析されると、多重テストの問題に悩まされ、特徴間の相関を考慮しない。
多形質gwasの別のアプローチは、多変量回帰モデルを適用して複数の形質から同時に遺伝子型を予測することによって、遺伝子型と形質の間の機能的関係を逆転させることである。
しかし、現在のリバースジェノタイプ予測アプローチは主に線形モデルに基づいている。
そこで我々は,ランダム森林回帰(RFR)を画像QTからSNPを予測し,生物学的関連性を見極める方法として評価した。
56個の脳画像QTを用いて518,484個のSNPを予測する機械学習モデルを学習した。
遺伝子型回帰誤差は遺伝子型分類精度よりもp値の置換の指標として優れている。
アルツハイマー病(AD)リスク遺伝子APOEのSNPは、ラッソやランダムな森林ではRMSEが低かったが、隆起性は認められなかった。
さらに、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を同定した。
特徴選択は、海馬や扁桃体のようなADに関連するよく知られた脳領域を、最も重要なSNPの重要な予測因子として同定した。
以上の結果から,無作為林のような非線形手法は,従来の線形多変量GWAS法と比較して,表現型・遺伝子型関連性にさらなる洞察を与える可能性が示唆された。
関連論文リスト
- A Comparative Analysis of Gene Expression Profiling by Statistical and
Machine Learning Approaches [1.8954222800767324]
がん検体を分類する機械学習モデルの生物学的および方法論的限界について論じる。
遺伝子ランキングはこれらのモデルに適応した説明可能性法から得られる。
ブラックボックスニューラルネットワークによって学習された情報は、微分表現の概念と関連している。
論文 参考訳(メタデータ) (2024-02-01T18:17:36Z) - Predicting loss-of-function impact of genetic mutations: a machine
learning approach [0.0]
本稿では,遺伝子変異の属性に基づいて機械学習モデルを学習し,LoFtoolスコアを予測することを目的とする。
これらの属性には、染色体上の突然変異の位置、アミノ酸の変化、変異によって引き起こされるコドンの変化が含まれていた。
モデルは, 平均2乗誤差, 平均2乗誤差, 平均2乗誤差, 平均絶対誤差, 説明分散の5倍のクロスバリデード平均を用いて評価した。
論文 参考訳(メタデータ) (2024-01-26T19:27:38Z) - 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) - Unsupervised ensemble-based phenotyping helps enhance the
discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。
教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。
これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文 参考訳(メタデータ) (2023-01-07T18:36:44Z) - SNP2Vec: Scalable Self-Supervised Pre-Training for Genome-Wide
Association Study [48.75445626157713]
SNP2Vecは、SNPを理解するためのスケーラブルな自己教師付き事前学習手法である。
本研究では,SNP2Vecを用いて時系列ゲノミクスモデリングを行う。
中国コホートにおけるアルツハイマー病のリスク予測におけるアプローチの有効性について検討した。
論文 参考訳(メタデータ) (2022-04-14T01:53:58Z) - High-dimensional multi-trait GWAS by reverse prediction of genotypes [3.441021278275805]
逆回帰は、高次元設定でマルチトレイGWASを実行するための有望なアプローチである。
マルチトランジットGWASにおける逆回帰のための異なる機械学習手法を解析した。
モデル特徴係数は変異体と個々の形質の関連性の強さと相関し,真のトランス-eQTL標的遺伝子を予測した。
論文 参考訳(メタデータ) (2021-10-29T22:34:35Z) - Expectile Neural Networks for Genetic Data Analysis of Complex Diseases [3.0088453915399747]
本研究では、複雑な疾患の遺伝子データ解析のための予測型ニューラルネットワーク(ENN)法を開発した。
期待回帰と同様に、ERNは遺伝子変異と疾患の表現型との関係を包括的に把握する。
提案手法は,遺伝子変異と疾患表現型との間に複雑な関係がある場合,既存の予測回帰よりも優れていた。
論文 参考訳(メタデータ) (2020-10-26T21:07:40Z) - 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) - Two-step penalised logistic regression for multi-omic data with an
application to cardiometabolic syndrome [62.997667081978825]
我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。
私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。
提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
論文 参考訳(メタデータ) (2020-08-01T10:36:27Z) - Handling highly correlated genes in prediction analysis of genomic
studies [0.0]
遺伝子間の高い相関は、多系統問題のような技術的な問題を導入し、信頼性の低い予測モデルをもたらす。
本稿では,高相関遺伝子をグループとして扱うグループ化アルゴリズムを提案する。
まず、遺伝子群の共通パターンを用いることで、条件変化下での予測をより堅牢で信頼性の高いものにする。
論文 参考訳(メタデータ) (2020-07-05T22:14:03Z)
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。