論文の概要: Knowledge-Driven Mechanistic Enrichment of the Preeclampsia Ignorome
- arxiv url: http://arxiv.org/abs/2207.14294v1
- Date: Thu, 28 Jul 2022 03:29:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 13:07:19.190599
- Title: Knowledge-Driven Mechanistic Enrichment of the Preeclampsia Ignorome
- Title（参考訳）: preeclampsia ignoromeの知識駆動機構の強化
- Authors: Tiffany J. Callahan, Adrianne L. Stefanski, Jin-Dong Kim, William A.
Baumgartner Jr., Jordan M. Wyrwa, Lawrence E. Hunter
- Abstract要約: 妊娠中毒は母体と胎児の死亡率と死亡率の主要な原因である。
現在、前立腺症の唯一の決定的な治療は胎盤の納入である。
- 参考スコア（独自算出の注目度）: 0.09786690381850353
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Preeclampsia is a leading cause of maternal and fetal morbidity and
mortality. Currently, the only definitive treatment of preeclampsia is delivery
of the placenta, which is central to the pathogenesis of the disease.
Transcriptional profiling of human placenta from pregnancies complicated by
preeclampsia has been extensively performed to identify differentially
expressed genes (DEGs). DEGs are identified using unbiased assays, however, the
decisions to investigate DEGs experimentally are biased by many factors,
causing many DEGs to remain uninvestigated. A set of DEGs which are associated
with a disease experimentally, but which have no known association with the
disease in the literature is known as the ignorome. Preeclampsia has an
extensive body of scientific literature, a large pool of DEG data, and only one
definitive treatment. Tools facilitating knowledge-based analyses, which are
capable of combining disparate data from many sources in order to suggest
underlying mechanisms of action, may be a valuable resource to support
discovery and improve our understanding of this disease. In this work we
demonstrate how a biomedical knowledge graph (KG) can be used to identify novel
preeclampsia molecular mechanisms. Existing open source biomedical resources
and publicly available high-throughput transcriptional profiling data were used
to identify and annotate the function of currently uninvestigated
preeclampsia-associated DEGs. Experimentally investigated genes associated with
preeclampsia were identified from PubMed abstracts using text-mining
methodologies. The relative complement of the text-mined- and
meta-analysis-derived lists were identified as the uninvestigated
preeclampsia-associated DEGs (n=445), i.e., the preeclampsia ignorome. Using
the KG to investigate relevant DEGs revealed 53 novel clinically relevant and
biologically actionable mechanistic associations.
- Abstract（参考訳）: 妊娠中毒(preeclampsia)は、母性および胎児の死亡率の主要な原因である。
現在、前頭蓋骨の唯一の決定的な治療は胎盤の出産であり、これは疾患の病原性の中心である。
妊娠中毒に合併した妊娠中のヒト胎盤の転写プロファイリングは、差分発現遺伝子(DEG)を同定するために広く行われている。
しかし、DGを実験的に調査する決定は多くの要因に偏っているため、多くのDGは未調査のままである。
実験的に疾患に関連付けられるが、文学における疾患とは無関係な一連のDECは、イグノロームとして知られている。
Preeclampsiaには、幅広い科学文献、大量のDGデータ、そして1つの決定的な治療がある。
多くの情報源から異なるデータを組み合わせることで、行動のメカニズムを示唆する知識に基づく分析を容易にするツールは、この病気の発見と理解の向上を支援する貴重なリソースとなるかもしれない。
本研究は, 生物医学知識グラフ(KG)を用いて, 新規な老化前分子機構を同定する方法を実証する。
既存のオープンソースバイオメディカルリソースと、利用可能な高スループット転写プロファイリングデータを用いて、現在調査されていない前脳症関連DGの機能を特定し、注釈する。
テキストマイニング法を用いて, PubMedの抽象概念から前立腺症に関連する遺伝子を同定した。
テキスト・マインドおよびメタ分析由来のリストの相対的な補体は、未調査のpreeclampsia-associated degs (n=445)、すなわちpreeclampsia ignoromeと同定された。
関連するdegを調べるためにkgを用いたところ, 臨床に関連し, 生物学的に作用可能な53の新規なメカニック・アソシエーションが認められた。
関連論文リスト
- Explainable Biomedical Hypothesis Generation via Retrieval Augmented Generation enabled Large Language Models [46.05020842978823]
大規模言語モデル(LLM)はこの複雑なデータランドスケープをナビゲートする強力なツールとして登場した。
RAGGEDは、知識統合と仮説生成を伴う研究者を支援するために設計された包括的なワークフローである。
論文 参考訳（メタデータ） (2024-07-17T07:44:18Z) - A Non-Invasive Interpretable NAFLD Diagnostic Method Combining TCM
Tongue Features [3.027279434102167]
非アルコール性脂肪肝疾患(非アルコール性脂肪肝疾患、NAFLD)は、肝脂肪症を特徴とする臨床病理学的症候群である。
提案手法は,非侵襲的データのみを用いて77.22%の精度を実現する。
論文 参考訳（メタデータ） (2023-09-06T12:55:59Z) - Predicting Adverse Neonatal Outcomes for Preterm Neonates with
Multi-Task Learning [51.487856868285995]
われわれはまず, 3つの不良新生児結果の相関関係を解析し, マルチタスク学習(MTL)問題として複数の新生児結果の診断を定式化する。
特に、MTLフレームワークは、共有された隠れレイヤと複数のタスク固有のブランチを含んでいる。
論文 参考訳（メタデータ） (2023-03-28T00:44:06Z) - Knowledge Graph Completion based on Tensor Decomposition for Disease
Gene Prediction [2.838553480267889]
疾患や遺伝子を中心とした生物学的知識グラフを構築し,疾患発生予測のためのエンドツーエンドの知識グラフ補完モデルを構築した。
KDGeneは、実体の埋め込みとテンソル分解との関係の間の相互作用モジュールを導入し、生物学的知識における情報相互作用を効果的に強化する。
論文 参考訳（メタデータ） (2023-02-18T13:57:44Z) - 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) - NeuroExplainer: Fine-Grained Attention Decoding to Uncover Cortical
Development Patterns of Preterm Infants [73.85768093666582]
我々はNeuroExplainerと呼ばれる説明可能な幾何学的深層ネットワークを提案する。
NeuroExplainerは、早産に伴う幼児の皮質発達パターンの解明に使用される。
論文 参考訳（メタデータ） (2023-01-01T12:48:12Z) - Neurodevelopmental Phenotype Prediction: A State-of-the-Art Deep
Learning Model [0.0]
我々は,新生児の皮質表面データを解析するためにディープニューラルネットワークを適用した。
我々の目標は、神経発達のバイオマーカーを特定し、これらのバイオマーカーに基づいて出生時の妊娠年齢を予測することである。
論文 参考訳（メタデータ） (2022-11-16T11:15:23Z) - A review on Epileptic Seizure Detection using Machine Learning [0.0]
本研究は特徴選択プロセスと分類性能の体系的な文献レビューを提供する。
既存の文献は、MPDI、IEEEXplore、Wiley、Elsevier、ACM、Springerlinkなどの有名なリポジトリから調査された。
論文 参考訳（メタデータ） (2022-10-05T13:37:45Z) - EBOCA: Evidences for BiOmedical Concepts Association Ontology [55.41644538483948]
本論文は,生物医学領域の概念とそれらの関連性を記述するオントロジーであるEBOCAと,それらの関連性を支持するエビデンスを提案する。
DISNETのサブセットから得られるテストデータとテキストからの自動アソシエーション抽出が変換され、実際のシナリオで使用できる知識グラフが作成されるようになった。
論文 参考訳（メタデータ） (2022-08-01T18:47:03Z) - BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。
BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
論文 参考訳（メタデータ） (2022-06-03T16:25:48Z) - Relation-weighted Link Prediction for Disease Gene Identification [0.3078691410268859]
このようなグラフ上の疾患遺伝子を識別する新しい機械学習手法を提案する。
我々のアルゴリズムは、病気遺伝子同定における最先端の競争相手を24.1%上回っている。
また, パーキンソン病の臨床治験における薬物標的の予測に関して, 標的同定の主導的取り組みである Open Targets よりも高い精度を達成できることが示唆された。
論文 参考訳（メタデータ） (2020-11-10T15:09:33Z)
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。