論文の概要: Subtype-Former: a deep learning approach for cancer subtype discovery
with multi-omics data
- arxiv url: http://arxiv.org/abs/2207.14639v1
- Date: Thu, 28 Jul 2022 08:15:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 13:25:12.094503
- Title: Subtype-Former: a deep learning approach for cancer subtype discovery
with multi-omics data
- Title（参考訳）: Subtype-Former:マルチオミクスデータを用いた癌サブタイプ発見のためのディープラーニングアプローチ
- Authors: Hai Yang, Yuhang Sheng, Yi Jiang, Xiaoyang Fang, Dongdong Li, Jing
Zhang, Zhe Wang
- Abstract要約: 本研究では,TransformerとBlockに基づくディープラーニング手法であるSubtype-Formerを提案する。
その結果,Subtype-Formerは生存率分析に基づいて,5000以上の腫瘍のベンチマークデータセットで良好な性能を発揮することがわかった。
対象とするがん治療薬の研究に使用できる50種類の重要なバイオマーカーを同定した。
- 参考スコア（独自算出の注目度）: 17.36619699329539
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivation: Cancer is heterogeneous, affecting the precise approach to
personalized treatment. Accurate subtyping can lead to better survival rates
for cancer patients. High-throughput technologies provide multiple omics data
for cancer subtyping. However, precise cancer subtyping remains challenging due
to the large amount and high dimensionality of omics data. Results: This study
proposed Subtype-Former, a deep learning method based on MLP and Transformer
Block, to extract the low-dimensional representation of the multi-omics data.
K-means and Consensus Clustering are also used to achieve accurate subtyping
results. We compared Subtype-Former with the other state-of-the-art subtyping
methods across the TCGA 10 cancer types. We found that Subtype-Former can
perform better on the benchmark datasets of more than 5000 tumors based on the
survival analysis. In addition, Subtype-Former also achieved outstanding
results in pan-cancer subtyping, which can help analyze the commonalities and
differences across various cancer types at the molecular level. Finally, we
applied Subtype-Former to the TCGA 10 types of cancers. We identified 50
essential biomarkers, which can be used to study targeted cancer drugs and
promote the development of cancer treatments in the era of precision medicine.
- Abstract（参考訳）: モチベーション: がんは異種であり、パーソナライズされた治療への正確なアプローチに影響を与える。
正確なサブタイピングは、がん患者の生存率を改善する可能性がある。
高スループット技術は、がんサブタイプのための複数のオミクスデータを提供する。
しかし,オミクスデータの多量かつ高次元化のため,正確ながんのサブタイプ化はいまだに困難である。
結果:本研究では,MLPとTransformer Blockに基づくディープラーニング手法であるSubtype-Formerを提案し,マルチオミクスデータの低次元表現を抽出した。
K-meansとConsensus Clusteringも正確なサブタイプ結果を達成するために使われる。
tcga 10の癌タイプでsubtype-formerとstate-of-the-art subtyping法を比較した。
その結果,Subtype-Formerは生存率分析に基づいて,5000以上の腫瘍のベンチマークデータセットで良好な性能を発揮することがわかった。
さらに、Subtype-Formerは、分子レベルでの様々な種類のがんの共通性と相違を分析するのに役立つパン・カンサー・サブタイピングの優れた結果も達成した。
最後に, TCGA 10 型癌に対して Subtype-Former を適用した。
標的癌薬の研究や、精密医療の時代にがん治療の進展を促進するために使用できる必須バイオマーカー50種を同定した。
関連論文リスト
- Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
乳がん治療計画において、グレーディングは重要な役割を担っている。
現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。
本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
論文 参考訳（メタデータ） (2024-05-13T15:48:26Z) - PACS: Prediction and analysis of cancer subtypes from multi-omics data
based on a multi-head attention mechanism model [2.275409158519155]
がんサブタイプの分類を成功させるために, 教師付きマルチヘッドアテンション機構モデル(SMA)を提案する。
SMAモデルのアテンション機構と特徴共有モジュールは、マルチオミクスデータのグローバルおよびローカルの特徴情報をうまく学習することができる。
SMAモデルは、シミュレーションされた単一細胞およびがんマルチオミクスデータセットにおけるがんサブタイプの最も正確なF1マクロスコープ、F1重み付きおよび正確な分類を達成する。
論文 参考訳（メタデータ） (2023-08-21T03:54:21Z) - MoCLIM: Towards Accurate Cancer Subtyping via Multi-Omics Contrastive
Learning with Omics-Inference Modeling [9.900594964709116]
我々は癌サブタイプのための表現学習フレームワークであるMoCLIMを開発した。
その結果,本手法は,高次元癌症例の少ない症例において,データ適合性やサブタイプ性能を著しく向上させることが示唆された。
本フレームワークは, 各種医療評価を最終要素として含み, 医療分析における高い解釈可能性を提供する。
論文 参考訳（メタデータ） (2023-08-17T10:49:48Z) - Cancer-Net BCa-S: Breast Cancer Grade Prediction using Volumetric Deep
Radiomic Features from Synthetic Correlated Diffusion Imaging [82.74877848011798]
乳がんの流行は成長を続けており、2023年には米国で約30万人の女性に影響を及ぼした。
金標準のScarff-Bloom-Richardson(SBR)グレードは、化学療法に対する患者の反応を一貫して示すことが示されている。
本稿では,合成相関拡散(CDI$s$)画像を用いた乳がん鑑定における深層学習の有効性について検討する。
論文 参考訳（メタデータ） (2023-04-12T15:08:34Z) - A Multi-Institutional Open-Source Benchmark Dataset for Breast Cancer
Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [82.74877848011798]
Cancer-Net BCaは、乳がん患者の画像データであるボリュームCDI$s$の複数機関のオープンソースベンチマークデータセットである。
Cancer-Net BCaは、機械学習の進歩を加速し、がんと戦う臨床医を助ける、グローバルなオープンソースイニシアチブの一部として、一般公開されている。
論文 参考訳（メタデータ） (2023-04-12T05:41:44Z) - 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) - Automated Cancer Subtyping via Vector Quantization Mutual Information
Maximization [10.191396978971168]
そこで本研究では,遺伝子プロファイルを利用してサブタイプを非教師付きで識別する新たなクラスタリング手法を提案する。
本手法は既存の論争を呼んだラベルを精製し,さらに医学的な分析により癌生存率と高い相関があることが証明された。
論文 参考訳（メタデータ） (2022-06-22T01:55:08Z) - Gene selection from microarray expression data: A Multi-objective PSO
with adaptive K-nearest neighborhood [0.0]
本稿では,遺伝子発現データを用いたヒト癌疾患の分類問題について論じる。
マイクロアレイデータセットを解析し,がん疾患を効果的に分類するための新しい手法を提案する。
論文 参考訳（メタデータ） (2022-05-27T04:22:10Z) - Cancer Subtyping via Embedded Unsupervised Learning on Transcriptomics
Data [5.232428469965068]
教師なし学習の観点から,自動サブタイピングについて検討する。
具体的には、典型的には存在するが教師なしの学習サブタイプ文学では失敗する強いガウス性仮定をバイパスする。
提案手法は, 潜在空間の特徴をよりよく把握し, 分子レベルでの癌サブタイプの発現をモデル化する。
論文 参考訳（メタデータ） (2022-04-02T11:44:58Z) - Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。
本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文 参考訳（メタデータ） (2020-11-22T17:31:23Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z)
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。