論文の概要: G2{\Phi}net: Relating Genotype and Biomechanical Phenotype of Tissues with Deep Learning

• arxiv url: http://arxiv.org/abs/2208.09889v1
• Date: Sun, 21 Aug 2022 14:22:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-23 14:35:36.508289
• Title: G2{\Phi}net: Relating Genotype and Biomechanical Phenotype of Tissues with Deep Learning
• Title（参考訳）: G2{\Phi}net: 深層学習による組織の遺伝子型と生体力学的現象の関係
• Authors: Enrui Zhang, Bart Spronck, Jay D. Humphrey, George Em Karniadakis
• Abstract要約: 軟組織の生体力学的特性を識別・分類するための新しい遺伝子型-バイオメカニカル-フェノタイプニューラルネットワーク(G2Phinet)を提案する。 G2Phinetは、関連する遺伝子型を正しく記述しながら、生体力学的反応を推測することができる。
• 参考スコア（独自算出の注目度）: 0.18352113484137625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many genetic mutations adversely affect the structure and function of load-bearing soft tissues, with clinical sequelae often responsible for disability or death. Parallel advances in genetics and histomechanical characterization provide significant insight into these conditions, but there remains a pressing need to integrate such information. We present a novel genotype-to-biomechanical-phenotype neural network (G2{\Phi}net) for characterizing and classifying biomechanical properties of soft tissues, which serve as important functional readouts of tissue health or disease. We illustrate the utility of our approach by inferring the nonlinear, genotype-dependent constitutive behavior of the aorta for four mouse models involving defects or deficiencies in extracellular constituents. We show that G2{\Phi}net can infer the biomechanical response while simultaneously ascribing the associated genotype correctly by utilizing limited, noisy, and unstructured experimental data. More broadly, G2{\Phi}net provides a powerful method and a paradigm shift for correlating genotype and biomechanical phenotype quantitatively, promising a better understanding of their interplay in biological tissues.
• Abstract（参考訳）: 多くの遺伝子変異は、負荷を伴う軟組織の構造と機能に悪影響を及ぼすが、臨床後遺症はしばしば障害や死亡の原因となる。 遺伝学とヒストメカニカル・キャラクタリゼーションの並列的な進歩は、これらの状態について重要な洞察を与えるが、そのような情報を統合する必要性が強く残っている。 本稿では, 軟部組織の生体力学的特性を特徴付け, 分類するための新しい遺伝子型-生体力学的-フェノタイプニューラルネットワーク(G2{\Phi}net)を提案する。 細胞外成分の欠損や欠損を含む4種類のマウスモデルに対して, 大動脈の非線形, 遺伝子型依存性構成的挙動を推定することにより, アプローチの有用性を考察した。 G2{\Phi}netは, 限られた, うるさく, 未構造化の実験データを利用して, 関連遺伝子型を正しく記述しながら, 生体力学的応答を推定できることを示す。 より広くは、G2{\Phi}netは遺伝子型と生体力学的表現型を定量的に関連付ける強力な方法とパラダイムシフトを提供し、生体組織におけるそれらの相互作用をよりよく理解することを約束している。

関連論文リスト

• AI-driven multi-omics integration for multi-scale predictive modeling of causal genotype-environment-phenotype relationships [9.909750609459074]
  そこで我々は,これらの問題に対処するために,AIを活用したバイオインスパイアされたマルチスケールモデリングフレームワークを提案する。 このフレームワークは、生物レベル、生物階層、種々にわたるマルチオミクスデータを統合し、様々な条件下で因果型-環境-フェノタイプ関係を予測する。
  論文  参考訳（メタデータ） (2024-07-08T21:23:25Z)
• Predicting Genetic Mutation from Whole Slide Images via Biomedical-Linguistic Knowledge Enhanced Multi-label Classification [119.13058298388101]
  遺伝子変異予測性能を向上させるため,生物知識を付加したPathGenomic Multi-label Transformerを開発した。 BPGTはまず、2つの慎重に設計されたモジュールによって遺伝子前駆体を構成する新しい遺伝子エンコーダを確立する。 BPGTはその後ラベルデコーダを設計し、最終的に2つの調整されたモジュールによる遺伝的突然変異予測を行う。
  論文  参考訳（メタデータ） (2024-06-05T06:42:27Z)
• Causal machine learning for single-cell genomics [94.28105176231739]
  単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。 まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。 次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
  論文  参考訳（メタデータ） (2023-10-23T13:35:24Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Genetic prediction of quantitative traits: a machine learner's guide focused on height [0.0]
  本稿では,機械学習コミュニティにおけるアートモデルの現状と関連する微妙さについて概観する。 heightを連続評価された表現型の例として使用し、ベンチマークデータセット、共同創設者、機能選択、一般的なメトリクスを紹介します。
  論文  参考訳（メタデータ） (2023-10-06T05:43:50Z)
• 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)
• SemanticCAP: Chromatin Accessibility Prediction Enhanced by Features Learning from a Language Model [3.0643865202019698]
  本稿では、ゲノムのアクセス可能な領域を特定するためのSemanticCAPという新しいソリューションを提案する。 遺伝子配列のコンテキストをモデル化する遺伝子モデルを導入し、遺伝子配列の効果的な表現を提供する。 公開ベンチマークによる他のシステムと比較すると,我々のモデルは性能が向上することが判明した。
  論文  参考訳（メタデータ） (2022-04-05T11:47:58Z)
• Factored Attention and Embedding for Unstructured-view Topic-related Ultrasound Report Generation [70.7778938191405]
  本研究では,非構造的トピック関連超音波レポート生成のための新しい因子的注意・埋め込みモデル(FAE-Gen)を提案する。 提案したFAE-Genは主に2つのモジュール、すなわちビュー誘導因子の注意とトピック指向因子の埋め込みから構成されており、異なるビューで均質および不均一な形態的特徴を捉えている。
  論文  参考訳（メタデータ） (2022-03-12T15:24:03Z)
• Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
  我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。 我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
  論文  参考訳（メタデータ） (2021-10-11T12:48:44Z)
• A Cross-Level Information Transmission Network for Predicting Phenotype from New Genotype: Application to Cancer Precision Medicine [37.442717660492384]
  本稿では,CLEIT(Cross-Level Information Transmission Network)フレームワークを提案する。 ドメイン適応にインスパイアされたCLEITは、まずハイレベルドメインの潜在表現を学び、その後、接地木埋め込みとして利用する。 体細胞突然変異による抗がん剤感受性の予測におけるCLEITの有効性と性能の向上を示す。
  論文  参考訳（メタデータ） (2020-10-09T22:01:00Z)

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。