論文の概要: A robust and lightweight deep attention multiple instance learning
algorithm for predicting genetic alterations
- arxiv url: http://arxiv.org/abs/2206.00455v1
- Date: Tue, 31 May 2022 15:45:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-02 15:50:56.344629
- Title: A robust and lightweight deep attention multiple instance learning
algorithm for predicting genetic alterations
- Title（参考訳）: 遺伝的変異予測のためのロバストで軽量なマルチインスタンス学習アルゴリズム
- Authors: Bangwei Guo, Xingyu Li, Miaomiao Yang, Hong Zhang, Xu Steven Xu
- Abstract要約: 本稿では,遺伝子変異を予測するための新しいAttention-based Multiple Instance Mutation Learning (AMIML)モデルを提案する。
AMIMLは連続した1次元畳み込み層、デコーダ、および軽量アテンション機構のさらなる統合を容易にする余剰重量接続から構成されていた。
AMIMLは優れたロバスト性を示し、テスト対象遺伝子の大部分で5つのベースラインアルゴリズムをすべて上回るだけでなく、他の7遺伝子に対してほぼ最高の性能を示した。
- 参考スコア（独自算出の注目度）: 4.674211520843232
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep-learning models based on whole-slide digital pathology images (WSIs)
become increasingly popular for predicting molecular biomarkers. Instance-based
models has been the mainstream strategy for predicting genetic alterations
using WSIs although bag-based models along with self-attention mechanism-based
algorithms have been proposed for other digital pathology applications. In this
paper, we proposed a novel Attention-based Multiple Instance Mutation Learning
(AMIML) model for predicting gene mutations. AMIML was comprised of successive
1-D convolutional layers, a decoder, and a residual weight connection to
facilitate further integration of a lightweight attention mechanism to detect
the most predictive image patches. Using data for 24 clinically relevant genes
from four cancer cohorts in The Cancer Genome Atlas (TCGA) studies (UCEC, BRCA,
GBM and KIRC), we compared AMIML with one popular instance-based model and four
recently published bag-based models (e.g., CHOWDER, HE2RNA, etc.). AMIML
demonstrated excellent robustness, not only outperforming all the five baseline
algorithms in the vast majority of the tested genes (17 out of 24), but also
providing near-best-performance for the other seven genes. Conversely, the
performance of the baseline published algorithms varied across different
cancers/genes. In addition, compared to the published models for genetic
alterations, AMIML provided a significant improvement for predicting a wide
range of genes (e.g., KMT2C, TP53, and SETD2 for KIRC; ERBB2, BRCA1, and BRCA2
for BRCA; JAK1, POLE, and MTOR for UCEC) as well as produced outstanding
predictive models for other clinically relevant gene mutations, which have not
been reported in the current literature. Furthermore, with the flexible and
interpretable attention-based MIL pooling mechanism, AMIML could further
zero-in and detect predictive image patches.
- Abstract（参考訳）: 全傾斜デジタル病理画像(wsis)に基づく深層学習モデルが分子バイオマーカーの予測に人気が高まっている。
バッグベースのモデルと自己認識機構に基づくアルゴリズムは、他のデジタル病理学応用のために提案されているが、WSIを用いて遺伝子変異を予測する主要な戦略はインスタンスベースのモデルである。
本稿では,遺伝子変異を予測するためのAttention-based Multiple Instance Mutation Learning (AMIML)モデルを提案する。
amimlは、連続する1次元畳み込み層、デコーダ、および残留重み接続からなり、最も予測可能な画像パッチを検出する軽量な注意機構のさらなる統合を容易にする。
The Cancer Genome Atlas (TCGA) 研究(UCEC, BRCA, GBM, KIRC)の4つのがんコホートから得られた24種類の臨床的関連遺伝子のデータを用いて,AMIMLを1つの一般的なインスタンスベースモデルと最近発表された4つのバッグベースモデル(CHOWDER, HE2RNAなど)と比較した。
AMIMLは優れた堅牢性を示しており、テストされた遺伝子のうち17個中17個のうち5個のベースラインアルゴリズムを上回り、他の7つの遺伝子に対してほぼ最高の性能を示した。
逆に、ベースライン公開アルゴリズムの性能は、がん/遺伝子によって異なる。
さらに、AMIMLは、遺伝子変異の公表されたモデルと比較して、KIRCのKMT2C、TP53、SETD2、BRCAのERBB2、BRCA1、CRCのBRCA2、JAK1、POLE、MTORなどの幅広い遺伝子を予測し、また、現在の文献では報告されていない他の臨床関連遺伝子変異の予測モデルを生み出した。
さらに、フレキシブルで解釈可能なアテンションベースのMILプーリング機構により、AMIMLはさらにゼロインし、予測イメージパッチを検出することができる。
関連論文リスト
- Integrating Large Language Models for Genetic Variant Classification [12.244115429231888]
大型言語モデル (LLM) は遺伝学においてトランスフォーメーションツールとして登場した。
本研究では,GPN-MSA,ESM1b,AlphaMissenseを含む最先端LLMの統合について検討した。
提案手法は,よく注釈付けされたProteinGymとClinVarのデータセットを用いて,これらの統合モデルを評価する。
論文 参考訳（メタデータ） (2024-11-07T13:45:56Z) - Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。
BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。
BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
論文 参考訳（メタデータ） (2024-06-05T06:42:27Z) - Path-GPTOmic: A Balanced Multi-modal Learning Framework for Survival Outcome Prediction [14.204637932937082]
本稿では,癌生存率予測のためのマルチモーダルパスGPTOmicフレームワークを提案する。
基礎モデルである scGPT の埋め込み空間は,最初は単一セルRNA-seq で訓練された。
生存予測のためのCox部分的可能性損失に対応する勾配変調機構を提案する。
論文 参考訳（メタデータ） (2024-03-18T00:02:48Z) - Cancer-inspired Genomics Mapper Model for the Generation of Synthetic
DNA Sequences with Desired Genomics Signatures [0.0]
がんに触発されたゲノムマッパーモデル(CGMM)は、遺伝的アルゴリズム(GA)とディープラーニング(DL)の手法を組み合わせたものである。
我々はCGMMが、祖先や癌などの選択された表現型の合成ゲノムを生成できることを実証した。
論文 参考訳（メタデータ） (2023-05-01T07:16:40Z) - 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) - Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence
Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。
シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文 参考訳（メタデータ） (2022-07-18T19:16:56Z) - Incorporating intratumoral heterogeneity into weakly-supervised deep
learning models via variance pooling [5.606290756924216]
ギガピクセル全体のスライド画像(WSI)からのがん生存予測などの教師付き学習タスクは、計算病理学において重要な課題である。
我々は,MILモデルが腫瘍内不均一性を予測に組み込むことのできる,新しい分散プーリングアーキテクチャを開発した。
がんゲノムアトラスの4,479ギガピクセルWSIを用いた実証研究は、MILフレームワークに分散プールを追加することで、5種類のがんの生存予測性能が向上することを示した。
論文 参考訳（メタデータ） (2022-06-17T16:35:35Z) - 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) - Optimize Deep Learning Models for Prediction of Gene Mutations Using
Unsupervised Clustering [6.494144125433731]
ディープ・ラーニング(Deep Learning)は、全スライディングのデジタル病理画像の解析と解釈において、主流の方法論選択となっている。
本稿では, 教師なしクラスタリングに基づくマルチインスタンス学習を提案するとともに, 3種類の癌からのWSIを用いた遺伝子変異予測のための深層学習モデルの構築に本手法を適用した。
画像パッチの教師なしクラスタリングは, 予測パッチの同定, 予測情報の欠如を排除し, 3種類の癌における遺伝子変異の予測を改善できることを示した。
論文 参考訳（メタデータ） (2022-03-31T11:48:21Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - 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。