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
- A graph neural network-based model with Out-of-Distribution Robustness
for enhancing Antiretroviral Therapy Outcome Prediction for HIV-1 [5.111166539327379]
本稿では,完全連結ニューラルネットワークとグラフニューラルネットワークの機能を組み合わせた新しいジョイントフュージョンモデルを提案する。
テストセットにおけるアウト・オブ・ディストリビューション・ドラッグに対するこれらのモデルの堅牢性を評価する。
論文 参考訳(メタデータ) (2023-12-29T08:02:13Z) - Multimodal Machine Learning Combining Facial Images and Clinical Texts
Improves Diagnosis of Rare Genetic Diseases [9.856463266732494]
本稿では,Transformerアーキテクチャのみに基づくマルチモーダル機械学習(MML)アプローチを提案する。
また,テキスト入力のみを利用する短時間の学習能力を持つGPTベースの手法も導入する。
以上の結果から,これらの手法は複数のデータモダリティを効果的に組み込んで,稀な疾患の遺伝的診断を著しく狭くし,ゲノム・ゲノムシークエンシングデータの再解釈を容易にする可能性が示唆された。
論文 参考訳(メタデータ) (2023-12-23T18:40:25Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳(メタデータ) (2023-10-04T01:36:30Z) - 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) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳(メタデータ) (2023-05-25T16:29:16Z) - 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。