論文の概要: Efficient Inference of Spatially-varying Gaussian Markov Random Fields with Applications in Gene Regulatory Networks

• arxiv url: http://arxiv.org/abs/2206.10174v1
• Date: Tue, 21 Jun 2022 08:15:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-23 03:37:23.565998
• Title: Efficient Inference of Spatially-varying Gaussian Markov Random Fields with Applications in Gene Regulatory Networks
• Title（参考訳）: 空間変動ガウスマルコフ確率場の効率的な推論と遺伝子制御ネットワークへの応用
• Authors: Visweswaran Ravikumar and Tong Xu and Wajd N. Al-Holou and Salar Fattahi and Arvind Rao
• Abstract要約: SV-GMRFの重要な応用は、転写学データセットからの遺伝子制御ネットワークの推測である。 本稿では,統計的および計算的保証の強い正規化最大推定(MLE)の代わりに,単純で効率的な最適化問題を提案する。 2分以内で200万以上の変数を持つSV-GMRFのインスタンスを解くことができる。
• 参考スコア（独自算出の注目度）: 6.007044214910084
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we study the problem of inferring spatially-varying Gaussian Markov random fields (SV-GMRF) where the goal is to learn a network of sparse, context-specific GMRFs representing network relationships between genes. An important application of SV-GMRFs is in inference of gene regulatory networks from spatially-resolved transcriptomics datasets. The current work on inference of SV-GMRFs are based on the regularized maximum likelihood estimation (MLE) and suffer from overwhelmingly high computational cost due to their highly nonlinear nature. To alleviate this challenge, we propose a simple and efficient optimization problem in lieu of MLE that comes equipped with strong statistical and computational guarantees. Our proposed optimization problem is extremely efficient in practice: we can solve instances of SV-GMRFs with more than 2 million variables in less than 2 minutes. We apply the developed framework to study how gene regulatory networks in Glioblastoma are spatially rewired within tissue, and identify prominent activity of the transcription factor HES4 and ribosomal proteins as characterizing the gene expression network in the tumor peri-vascular niche that is known to harbor treatment resistant stem cells.
• Abstract（参考訳）: 本稿では,遺伝子間のネットワーク関係を表現する,スパースな文脈特異的gmrfのネットワークを学習することを目的として,空間的に変動するガウス型マルコフ確率場(sv-gmrf)を推定する問題について検討する。 sv-gmrfsの重要な応用は、空間分解トランスクリプトミクスデータセットから遺伝子制御ネットワークを推論することである。 SV-GMRFの推定に関する現在の研究は、正規化最大推定(MLE)に基づいており、非常に非線形な性質のために計算コストが極端に高い。 この課題を解決するため,統計的および計算的保証の強いMLEの代わりに,単純かつ効率的な最適化問題を提案する。 2分未満で200万以上の変数を持つsv-gmrfsのインスタンスを解決できる。 本研究は,Glioblastomaの遺伝子制御ネットワークが組織内で空間的にリ配線されているかを研究するためのフレームワークを応用し,その転写因子HES4およびリボソームタンパク質の顕著な活性を,治療抵抗性幹細胞を培養する腫瘍周囲ニッチにおける遺伝子発現ネットワークの特徴として同定する。

関連論文リスト

• MMed-RAG: Versatile Multimodal RAG System for Medical Vision Language Models [49.765466293296186]
  近年,Med-LVLM (Med-LVLMs) の進歩により,対話型診断ツールの新たな可能性が高まっている。 Med-LVLMは、しばしば事実の幻覚に悩まされ、誤った診断につながることがある。 我々は,Med-LVLMの現実性を高めるために,多目的マルチモーダルRAGシステムMMed-RAGを提案する。
  論文  参考訳（メタデータ） (2024-10-16T23:03:27Z)
• Prototype Learning Guided Hybrid Network for Breast Tumor Segmentation in DCE-MRI [58.809276442508256]
  本稿では,畳み込みニューラルネットワーク(CNN)とトランスフォーマー層を組み合わせたハイブリッドネットワークを提案する。 プライベートおよびパブリックなDCE-MRIデータセットの実験結果から,提案したハイブリッドネットワークは最先端の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-11T15:46:00Z)
• sc-OTGM: Single-Cell Perturbation Modeling by Solving Optimal Mass Transport on the Manifold of Gaussian Mixtures [0.9674145073701153]
  sc-OTGMは、scRNAseqデータが生成される誘導バイアスに基づく教師なしモデルである。 sc-OTGMは細胞状態の分類、異なる遺伝子発現の解析、標的同定のための遺伝子ランキングに有効である。 また、下流遺伝子制御に対する単一遺伝子の摂動の影響を予測し、特定の細胞状態に条件付けられた合成scRNA-seqデータを生成する。
  論文  参考訳（メタデータ） (2024-05-06T06:46:11Z)
• Stability Analysis of Non-Linear Classifiers using Gene Regulatory Neural Network for Biological AI [2.0755366440393743]
  二重層転写翻訳化学反応モデルを用いた遺伝子パーセプトロンの数学的モデルを構築した。 我々は全接続GRNNサブネットワーク内の各遺伝子パーセプトロンの安定性解析を行い、時間的および安定した濃度出力を決定する。
  論文  参考訳（メタデータ） (2023-09-14T21:37:38Z)
• Inference of Regulatory Networks Through Temporally Sparse Data [5.495223636885796]
  ゲノム工学の大きな目標は、遺伝子制御ネットワーク(GRN)の複雑な動的挙動を適切に捉えることである。 本稿では,ベイズ最適化とカーネルベースの手法を用いて,GRNのスケーラブルかつ効率的なトポロジ推定法を開発した。
  論文  参考訳（メタデータ） (2022-07-21T22:48:12Z)
• Effective Mutation Rate Adaptation through Group Elite Selection [50.88204196504888]
  本稿では,GESMR(Group Elite Selection of Mutation Rates)アルゴリズムを提案する。 GESMRは解の集団とMRの集団を共進化させ、各MRは解群に割り当てられる。 同じ数の関数評価とオーバーヘッドのほとんどないGESMRは、以前のアプローチよりも早く、より良いソリューションに収束する。
  論文  参考訳（メタデータ） (2022-04-11T01:08:26Z)
• Hybrid Random Features [60.116392415715275]
  ハイブリッドランダム特徴(HRF)と呼ばれるソフトマックスとガウス核の線形化のための新しいランダム特徴法を提案する。 HRFは、カーネル推定の品質を自動的に適応し、定義された関心領域の最も正確な近似を提供する。
  論文  参考訳（メタデータ） (2021-10-08T20:22:59Z)
• ScRAE: Deterministic Regularized Autoencoders with Flexible Priors for Clustering Single-cell Gene Expression Data [11.511172015076532]
  シングルセルRNA配列(scRNA-seq)のクラスタリングは、統計的および計算上の課題を引き起こす。 正規化オートエンコーダ(RAE)ベースのディープニューラルネットワークモデルは、ロバストな低次元表現の学習において大きな成功を収めている。 単一セルRNAシークエンシングデータの効果的なクラスタリングのためのRAEフレームワーク( scRAE と呼ばれる)を提案する。
  論文  参考訳（メタデータ） (2021-07-16T05:13:31Z)
• LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
  本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。 フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
  論文  参考訳（メタデータ） (2021-03-01T03:10:11Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)
• Deep Gaussian Markov Random Fields [17.31058900857327]
  GMRFと畳み込みニューラルネットワーク(CNN)の正式な接続を確立する。 共通GMRFは、データから潜伏変数への逆写像が1層線形CNNによって与えられる生成モデルの特別な場合である。 本稿では,オートディフや変分推論などの確立したツールが,深部GMRFの簡易かつ効率的な推論と学習にどのように利用できるかを述べる。
  論文  参考訳（メタデータ） (2020-02-18T10:06:39Z)

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。