論文の概要: Bayesian tensor factorization for predicting clinical outcomes using integrated human genetics evidence

• arxiv url: http://arxiv.org/abs/2207.12538v1
• Date: Mon, 25 Jul 2022 21:26:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-27 13:35:58.010560
• Title: Bayesian tensor factorization for predicting clinical outcomes using integrated human genetics evidence
• Title（参考訳）: 統合ヒト遺伝学的証拠を用いた臨床結果予測のためのベイズテンソル因子化
• Authors: Onuralp Soylemez
• Abstract要約: 人間の遺伝学的証拠を持つ薬物標的は、成功する確率が良いことが示されている。 我々は、公開されているソースから収集されたさまざまな種類のヒト遺伝学的証拠を統合し、それぞれのターゲット・インジケーション・ペアをサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The approval success rate of drug candidates is very low with the majority of failure due to safety and efficacy. Increasingly available high dimensional information on targets, drug molecules and indications provides an opportunity for ML methods to integrate multiple data modalities and better predict clinically promising drug targets. Notably, drug targets with human genetics evidence are shown to have better odds to succeed. However, a recent tensor factorization-based approach found that additional information on targets and indications might not necessarily improve the predictive accuracy. Here we revisit this approach by integrating different types of human genetics evidence collated from publicly available sources to support each target-indication pair. We use Bayesian tensor factorization to show that models incorporating all available human genetics evidence (rare disease, gene burden, common disease) modestly improves the clinical outcome prediction over models using single line of genetics evidence. We provide additional insight into the relative predictive power of different types of human genetics evidence for predicting the success of clinical outcomes.
• Abstract（参考訳）: 薬物候補の承認成功率は極めて低く、安全性と有効性による失敗の多数である。 ターゲット、薬物分子、および指標に関する高次元情報の増加は、ML法が複数のデータモダリティを統合する機会を提供し、臨床的に有望な薬物標的を予測する。 特に、ヒト遺伝学の証拠を持つ薬物標的は、成功する確率が良いことが示されている。 しかし、最近のテンソル分解に基づくアプローチでは、目標や指示に関する追加情報は必ずしも予測精度を向上するとは限らない。 ここでは,このアプローチを再検討し,各ターゲット・インジケーションペアをサポートするために,公開ソースから照合された異なる種類のヒト遺伝学証拠を統合する。 ベイジアンテンソル分解法を用いて、ヒト遺伝学のすべての証拠(まれな疾患、遺伝子重荷、共通疾患)を組み込んだモデルが、単一の遺伝学の証拠を用いたモデルに対する臨床結果の予測を緩やかに改善することを示す。 臨床結果の予測には, 異なる種類のヒト遺伝学的証拠の相対的予測力について, さらなる知見が得られた。

関連論文リスト

• GATher: Graph Attention Based Predictions of Gene-Disease Links [0.0]
  GATherは、治療的遺伝子消失リンクを予測するために設計されたグラフアテンションネットワークである。 様々なバイオメディカルソースからのデータを440万のエッジを持つグラフに統合する。 ROC AUCが0.69で, 有効性は0.79で臨床治験結果を予測する。
  論文  参考訳（メタデータ） (2024-09-23T12:36:44Z)
• From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [50.80532910808962]
  GluFormerは、トランスフォーマーアーキテクチャに基づく生体医学的時間的データの生成基盤モデルである。 GluFormerは5つの地理的領域にまたがる4936人を含む15の異なる外部データセットに一般化されている。 今後4年間の健康状態も予測できる。
  論文  参考訳（メタデータ） (2024-08-20T13:19:06Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Copy Number Variation Informs fMRI-based Prediction of Autism Spectrum Disorder [9.544191399458954]
  我々は、遺伝的、人口統計学的、神経画像データを組み合わせるためのより統合的なモデルを開発する。 表現型に対するジェノタイプの影響に触発されて,注意に基づくアプローチを提案する。 228ASDの性バランスデータセットを用いて,ASD分類と重度予測タスクに対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2023-08-08T19:53:43Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• Predicting Potential Drug Targets Using Tensor Factorisation and Knowledge Graph Embeddings [4.415977307120617]
  我々は、病気の潜在的な薬物標的(遺伝子またはタンパク質)を予測するための新しいテンソル分解モデルを開発した。 薬物発見指向の知識グラフから得られた遺伝子表現を用いてデータを豊かにし,提案手法を適用し,未確認ターゲットと解離ペアの臨床的結果を予測する。
  論文  参考訳（メタデータ） (2021-05-20T16:19:00Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• 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)
• A Semi-Supervised Generative Adversarial Network for Prediction of Genetic Disease Outcomes [0.0]
  本稿では, 遺伝的な遺伝的データセットを作成するために, gGAN (Generative Adversarial Networks) を導入する。 我々のゴールは、遺伝子プロファイルだけで病気の重篤な形態を発達させる新しい個人の正当性を決定することである。 提案モデルは自己認識型であり、ネットワークがトレーニングされたデータと十分に互換性のある新しい遺伝子プロファイルを決定することができる。
  論文  参考訳（メタデータ） (2020-07-02T15:35:14Z)

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。