Fugu-MT 論文翻訳(概要): A Fair Experimental Comparison of Neural Network Architectures for Latent Representations of Multi-Omics for Drug Response Prediction

論文の概要: A Fair Experimental Comparison of Neural Network Architectures for Latent Representations of Multi-Omics for Drug Response Prediction

arxiv url: http://arxiv.org/abs/2208.14822v1
Date: Wed, 31 Aug 2022 12:46:08 GMT
ステータス: 処理完了
システム内更新日: 2022-09-01 13:51:55.667465
Title: A Fair Experimental Comparison of Neural Network Architectures for Latent Representations of Multi-Omics for Drug Response Prediction
Title（参考訳）: 薬物応答予測のためのマルチオミクスの潜在表現のためのニューラルネットワークアーキテクチャの公正な比較
Authors: Tony Hauptmann and Stefan Kramer
Abstract要約: 等価条件下でのマルチオミクス統合手法の訓練と最適化を行う。我々は、中間統合と後期統合の利点を組み合わせた新しい手法、Omics Stackingを考案した。複数のオミクスデータを用いた公開薬物応答データセットを用いて実験を行った。
参考スコア（独自算出の注目度）: 7.690774882108066
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Recent years have seen a surge of novel neural network architectures for the integration of multi-omics data for prediction. Most of the architectures include either encoders alone or encoders and decoders, i.e., autoencoders of various sorts, to transform multi-omics data into latent representations. One important parameter is the depth of integration: the point at which the latent representations are computed or merged, which can be either early, intermediate, or late. The literature on integration methods is growing steadily, however, close to nothing is known about the relative performance of these methods under fair experimental conditions and under consideration of different use cases. We developed a comparison framework that trains and optimizes multi-omics integration methods under equal conditions. We incorporated early integration and four recently published deep learning methods: MOLI, Super.FELT, OmiEmbed, and MOMA. Further, we devised a novel method, Omics Stacking, that combines the advantages of intermediate and late integration. Experiments were conducted on a public drug response data set with multiple omics data (somatic point mutations, somatic copy number profiles and gene expression profiles) that was obtained from cell lines, patient-derived xenografts, and patient samples. Our experiments confirmed that early integration has the lowest predictive performance. Overall, architectures that integrate triplet loss achieved the best results. Statistical differences can, overall, rarely be observed, however, in terms of the average ranks of methods, Super.FELT is consistently performing best in a cross-validation setting and Omics Stacking best in an external test set setting. The source code of all experiments is available under \url{https://github.com/kramerlab/Multi-Omics_analysis}
Abstract（参考訳）: 近年、予測のためのマルチオミクスデータの統合のための新しいニューラルネットワークアーキテクチャが急増している。ほとんどのアーキテクチャには、エンコーダ単独またはエンコーダとデコーダ、すなわち様々な種類のオートエンコーダが含まれ、マルチオミクスデータを潜在表現に変換する。重要なパラメータの1つは積分の深さであり、潜在表現が計算またはマージされる点であり、これは初期、中間、または後期のいずれかである。積分法に関する文献は着実に成長しているが、公平な実験条件下での相対的な性能や、異なる用途を考慮しては、ほとんど知られていない。等価条件下でのマルチオミクス統合手法の訓練と最適化を行う比較フレームワークを開発した。早期統合と最近発表された4つのディープラーニング手法:MOLI, Super.FELT, OmiEmbed, MOMA。さらに,中間積分と遅延積分の利点を組み合わせた新しい手法であるomics stackingを考案した。細胞株,患者由来のキセノグラフト,患者試料から得られた複数のオミクスデータ(体細胞点変異,体細胞コピー数プロファイル,遺伝子発現プロファイル)を用いた薬剤応答データセットを用いて実験を行った。実験の結果,早期統合は予測性能が低いことがわかった。全体として、三重項損失を統合するアーキテクチャは、最高の結果を得た。しかし、平均的なメソッドのランクでは、統計的な違いはほとんど見られず、Super.FELTはクロスバリデーション設定で、Omics Stackingは外部テストセットで、一貫して最高のパフォーマンスを保っている。すべての実験のソースコードは \url{https://github.com/kramerlab/Multi-Omics_analysis} で入手できる。

関連論文リスト

Supervised Multi-Modal Fission Learning [19.396207029419813]
マルチモーダルデータセットからの学習は相補的な情報を活用することができ、予測タスクのパフォーマンスを向上させることができる。本稿では,グローバルな関節,部分的な関節,個々のコンポーネントを同時に識別するマルチモーダル・フィッション・ラーニング・モデルを提案する。
論文参考訳（メタデータ） (2024-09-30T17:58:03Z)
Multi-modal Gaussian Process Variational Autoencoders for Neural and Behavioral Data [0.9622208190558754]
そこで本研究では,時間的に進化する共振子と独立潜光子を個別に同時記録した実験モードのために抽出する非教師付き潜光子変数モデルを提案する。我々は,ポアソンスパイク数と時間とともにスムーズかつスムーズに回転するMNIST画像からなるシミュレーションマルチモーダルデータに対して,本モデルの有効性を検証した。マルチモーダルGP-VAEは、モダリティ間の共有および独立の潜伏構造を正確に識別できるだけでなく、保留試験において画像とニューラルレートの両方を適切に再構成できることを示す。
論文参考訳（メタデータ） (2023-10-04T19:04:55Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文参考訳（メタデータ） (2023-06-27T16:59:06Z)
Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文参考訳（メタデータ） (2023-04-04T17:54:32Z)
Learning with MISELBO: The Mixture Cookbook [62.75516608080322]
本稿では,VampPriorとPixelCNNデコーダネットワークを用いて,フローベース階層型変分オートエンコーダ(VAE)の正規化のための変分近似を初めて提案する。我々は、この協調行動について、VIと適応的重要度サンプリングの新たな関係を描いて説明する。我々は、MNISTおよびFashionMNISTデータセット上の負のログ類似度の観点から、VAEアーキテクチャの最先端結果を得る。
論文参考訳（メタデータ） (2022-09-30T15:01:35Z)
CustOmics: A versatile deep-learning based strategy for multi-omics integration [0.0]
本稿では,高次元マルチソース統合の場合のデータセットに適応する,カスタマイズ可能なオートエンコーダモデルを構築するための新しい戦略を提案する。我々は,統合戦略が潜在表現に与える影響を評価し,新しい手法であるCustOmicsを提案する最善の戦略を組み合わせる。
論文参考訳（メタデータ） (2022-09-12T14:20:29Z)
Barcode Method for Generative Model Evaluation driven by Topological Data Analysis [0.0]
本研究では,そのトポロジ的データ解析にインスパイアされたバーコードというアルゴリズムを提案する。実世界のデータセットに関する広範な実験と、高次元の正規標本に関する理論的アプローチにおいて、埋め込みベクトルの「通常の」正規性仮定にはいくつかの欠点があることが判明した。
論文参考訳（メタデータ） (2021-06-04T02:07:07Z)
Brain Image Synthesis with Unsupervised Multivariate Canonical CSC$\ell_4$Net [122.8907826672382]
我々は,新しいCSC$ell_4$Netを用いて,イントレとイントラモーダルの両方にまたがる専用特徴を学習することを提案する。
論文参考訳（メタデータ） (2021-03-22T05:19:40Z)
Binary Classification of Gaussian Mixtures: Abundance of Support Vectors, Benign Overfitting and Regularization [39.35822033674126]
生成ガウス混合モデルに基づく二項線形分類について検討する。後者の分類誤差に関する新しい非漸近境界を導出する。この結果は, 確率が一定である雑音モデルに拡張される。
論文参考訳（メタデータ） (2020-11-18T07:59:55Z)
MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。