論文の概要: SGC: A semi-supervised pipeline for gene clustering using self-training
approach in gene co-expression networks
- arxiv url: http://arxiv.org/abs/2209.10545v1
- Date: Wed, 21 Sep 2022 14:51:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 14:38:13.484432
- Title: SGC: A semi-supervised pipeline for gene clustering using self-training
approach in gene co-expression networks
- Title(参考訳): SGC:遺伝子共発現ネットワークにおける自己学習アプローチを用いた遺伝子クラスタリングのための半教師付きパイプライン
- Authors: Niloofar Aghaieabiane and Ioannis Koutis
- Abstract要約: 本稿では,スペクトルネットワーク理論の数学に基づく遺伝子クラスタリングのための新しいパイプラインを提案する。
SGCは、教師なしの方法で高度に強化されたモジュールの計算を可能にする複数の新しいステップで構成されている。
実データにおいて,SGCが高密度化をもたらすことを示す。
- 参考スコア(独自算出の注目度): 3.8073142980733
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: A widely used approach for extracting information from gene expression data
employ the construction of a gene co-expression network and the subsequent
application of algorithms that discover network structure. In particular, a
common goal is the computational discovery of gene clusters, commonly called
modules. When applied on a novel gene expression dataset, the quality of the
computed modules can be evaluated automatically, using Gene Ontology
enrichment, a method that measures the frequencies of Gene Ontology terms in
the computed modules and evaluates their statistical likelihood. In this work
we propose SGC a novel pipeline for gene clustering based on relatively recent
seminal work in the mathematics of spectral network theory. SGC consists of
multiple novel steps that enable the computation of highly enriched modules in
an unsupervised manner. But unlike all existing frameworks, it further
incorporates a novel step that leverages Gene Ontology information in a
semi-supervised clustering method that further improves the quality of the
computed modules. Comparing with already well-known existing frameworks, we
show that SGC results in higher enrichment in real data. In particular, in 12
real gene expression datasets, SGC outperforms in all except one.
- Abstract(参考訳): 遺伝子発現データから情報を抽出するために広く用いられているアプローチは、遺伝子共表現ネットワークの構築と、ネットワーク構造を発見するアルゴリズムのその後の応用である。
特に、共通の目標は、一般的にモジュールと呼ばれる遺伝子クラスターの計算的発見である。
新規な遺伝子発現データセットに適用すると、計算モジュールにおける遺伝子オントロジ項の頻度を測定し、その確率を評価する方法であるジーンオントロジエンリッチメントを用いて、計算モジュールの品質を自動的に評価することができる。
本研究では、スペクトルネットワーク理論の数学における比較的最近の研究に基づいて、遺伝子クラスタリングのための新しいパイプラインSGCを提案する。
SGCは、教師なしの方法で高度に強化されたモジュールの計算を可能にする複数の新しいステップで構成されている。
しかし、既存のフレームワークと異なり、計算されたモジュールの品質をさらに向上させる半教師付きクラスタリング法において、遺伝子オントロジー情報を活用する新しいステップを取り入れている。
既知の既存のフレームワークと比較して,SGCは実データに高い富化をもたらすことを示す。
特に、12個の実際の遺伝子発現データセットにおいて、SGCは1つを除いて全てに優れる。
関連論文リスト
- scBiGNN: Bilevel Graph Representation Learning for Cell Type
Classification from Single-cell RNA Sequencing Data [62.87454293046843]
グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。
scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。
scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
論文 参考訳(メタデータ) (2023-12-16T03:54:26Z) - Uncertainty Quantification using Generative Approach [4.4858968464373845]
本稿では,深いニューラルネットワークにおける不確実性を測定するためのインクリメンタル生成モンテカルロ法を提案する。
IGMCは生成モデルを反復的に訓練し、その出力をデータセットに追加し、ランダム変数の期待の後方分布を計算する。
MNIST桁分類タスクにおけるIGMCの挙動を実証的に研究する。
論文 参考訳(メタデータ) (2023-10-13T18:05:25Z) - GENER: A Parallel Layer Deep Learning Network To Detect Gene-Gene
Interactions From Gene Expression Data [0.7660368798066375]
本稿では,遺伝子発現データを用いた遺伝子関係の同定専用に設計された並列層深層学習ネットワークを提案する。
本モデルでは,BioGRIDとDREAM5の組み合わせによる平均AUROCスコア0.834を達成し,遺伝子間相互作用を予測する競合手法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-05T15:45:53Z) - Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。
AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。
AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文 参考訳(メタデータ) (2021-08-12T02:30:38Z) - Mining Functionally Related Genes with Semi-Supervised Learning [0.0]
我々は、豊富な機能セットを導入し、半教師付き学習アプローチとともにそれらを使用する。
正およびラベルなし例(LPU)による学習の枠組みは機能的関連遺伝子のマイニングに特に適していることが示されている。
論文 参考訳(メタデータ) (2020-11-05T20:34:09Z) - Amortized Probabilistic Detection of Communities in Graphs [49.46170819501234]
そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。
我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。
我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
論文 参考訳(メタデータ) (2020-10-29T16:18:48Z) - Structured Graph Learning for Clustering and Semi-supervised
Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。
本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。
我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文 参考訳(メタデータ) (2020-08-31T08:41:20Z) - A Novel Granular-Based Bi-Clustering Method of Deep Mining the
Co-Expressed Genes [76.84066556597342]
ビクラスタリング法は、サンプル(遺伝子)のサブセットが試験条件下で協調的に制御されるバイクラスタをマイニングするために用いられる。
残念ながら、従来の二クラスタ法はそのような二クラスタを発見するのに完全には効果がない。
本稿では,グラニュラーコンピューティングの理論を取り入れた新しい2クラスタリング手法を提案する。
論文 参考訳(メタデータ) (2020-05-12T02:04:40Z) - Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning
via Gaussian Processes [144.6048446370369]
グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。
グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。
GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-02-26T10:02:32Z)
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。