論文の概要: Bayesian Simultaneous Factorization and Prediction Using Multi-Omic Data
- arxiv url: http://arxiv.org/abs/2211.16403v2
- Date: Wed, 30 Nov 2022 01:46:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 15:20:29.353604
- Title: Bayesian Simultaneous Factorization and Prediction Using Multi-Omic Data
- Title（参考訳）: マルチオミックデータを用いたベイズ同時因子分解と予測
- Authors: Sarah Samorodnitsky, Chris H. Wendt, Eric F. Lock
- Abstract要約: 本稿では, 推定因子分析の枠組みを提案し, 重要な疾患の表現型や臨床成績を同時に予測し, 多重計算に適応する。
BSFPを用いて気管支肺胞洗浄代謝物とプロテオームの肺機能を予測する。
肺機能低下にともなう多症状パターンと同様に, メタボロミクスとプロテオミクスの共通発現パターンにより, OLD患者集団が明らかとなった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding of the pathophysiology of obstructive lung disease (OLD) is
limited by available methods to examine the relationship between multi-omic
molecular phenomena and clinical outcomes. Integrative factorization methods
for multi-omic data can reveal latent patterns of variation describing
important biological signal. However, most methods do not provide a framework
for inference on the estimated factorization, simultaneously predict important
disease phenotypes or clinical outcomes, nor accommodate multiple imputation.
To address these gaps, we propose Bayesian Simultaneous Factorization (BSF). We
use conjugate normal priors and show that the posterior mode of this model can
be estimated by solving a structured nuclear norm-penalized objective that also
achieves rank selection and motivates the choice of hyperparameters. We then
extend BSF to simultaneously predict a continuous or binary response, termed
Bayesian Simultaneous Factorization and Prediction (BSFP). BSF and BSFP
accommodate concurrent imputation and full posterior inference for missing
data, including "blockwise" missingness, and BSFP offers prediction of
unobserved outcomes. We show via simulation that BSFP is competitive in
recovering latent variation structure, as well as the importance of propagating
uncertainty from the estimated factorization to prediction. We also study the
imputation performance of BSF via simulation under missing-at-random and
missing-not-at-random assumptions. Lastly, we use BSFP to predict lung function
based on the bronchoalveolar lavage metabolome and proteome from a study of
HIV-associated OLD. Our analysis reveals a distinct cluster of patients with
OLD driven by shared metabolomic and proteomic expression patterns, as well as
multi-omic patterns related to lung function decline. Software is freely
available at https://github.com/sarahsamorodnitsky/BSFP .
- Abstract（参考訳）: 閉塞性肺疾患(OLD)の病態の理解は、多系統分子現象と臨床結果との関係を調べるために利用可能な方法によって制限されている。
マルチオミックデータの積分分解法は、重要な生物学的信号を記述する変異の潜在パターンを明らかにすることができる。
しかし、ほとんどの方法は推定された因子分解の推論の枠組みを提供しておらず、同時に重要な疾患の表現型や臨床結果を予測することも、複数のインプテーションを許容することもない。
これらのギャップに対処するため,ベイズ同時因子化(BSF)を提案する。
共役正規前置法を用い、このモデルの後方モードは、ランク選択を達成し、ハイパーパラメータの選択を動機づける構造化核ノルムペナライズ目標を解決することによって推定できることを示した。
次に、BSFを拡張して連続的または二分的応答を同時に予測し、ベイズ同時因子化予測(BSFP)と呼ぶ。
BSFPとBSFPは、"ブロックワイド"の欠如を含む、欠落データに対する同時計算と完全な後部推論を許容し、BSFPは未観測結果の予測を提供する。
我々は,BSFPが潜在変動構造を回復する上での競争力を示すとともに,推定因子化から予測への不確実性の伝播の重要性を示す。
また,非ランダムおよび非ランダム仮定下でのシミュレーションによるbsfのインプテーション性能についても検討した。
最後に,BSFPを用いて気管支肺胞洗浄メタボロームとプロテオームに基づいて肺機能を予測する。
メタボロミクスおよびプロテオミクス発現パターンの共有による高齢患者群と,肺機能低下に関連する複数のオミズムパターンについて検討した。
ソフトウェアはhttps://github.com/sarahsamorodnitsky/BSFPで無料で入手できる。
関連論文リスト
- HMF: A Hybrid Multi-Factor Framework for Dynamic Intraoperative Hypotension Prediction [2.7807763048110337]
平均動脈圧(MAP)を用いた術中低血圧(IOH)予測は,術中患者の予後に重要な意味を持つ重要な研究領域である。
既存のアプローチは主に、生理学的信号の動的な性質を無視する静的なモデリングパラダイムを使用している。
血圧予測タスクとしてIOH予測を再構成するHMF(Hybrid Multi-Factor)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-17T10:46:41Z) - FUSE: Fast Unified Simulation and Estimation for PDEs [11.991297011923004]
同じフレームワーク内で両方の問題を解決することは、正確性と堅牢性において一貫した利益をもたらす可能性がある、と私たちは主張する。
本研究は,本手法の全身血行動態シミュレーションにおける連続的および離散的バイオマーカーの予測能力について述べる。
論文 参考訳（メタデータ） (2024-05-23T13:37:26Z) - Conditional Score-Based Diffusion Model for Cortical Thickness
Trajectory Prediction [29.415616701032604]
アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。
与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。
本モデルでは6～36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
論文 参考訳（メタデータ） (2024-03-11T17:26:18Z) - Simulation-based Inference for Cardiovascular Models [57.92535897767929]
シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。
臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。
我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
論文 参考訳（メタデータ） (2023-07-26T02:34:57Z) - Bayesian Networks for the robust and unbiased prediction of depression
and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文 参考訳（メタデータ） (2022-11-09T14:48:13Z) - Survival Analysis for Idiopathic Pulmonary Fibrosis using CT Images and
Incomplete Clinical Data [17.162038700963418]
特発性肺線維症(IPF)は線維性肺疾患である。
肺のCTスキャンはIPF患者の臨床的評価を通知し、疾患の進行に関する関連する情報を含む。
臨床および画像データを用いたIPF患者の生存率を予測するために,ニューラルネットワークとメモリバンクを用いたマルチモーダル手法を提案する。
論文 参考訳（メタデータ） (2022-03-21T23:48:47Z) - Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。
既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。
本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
論文 参考訳（メタデータ） (2022-03-11T10:47:16Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳（メタデータ） (2020-12-24T05:19:03Z) - Mixture Model Framework for Traumatic Brain Injury Prognosis Using
Heterogeneous Clinical and Outcome Data [3.7363119896212478]
TBIに関連する大きな異種データ型をモデル化する手法を開発する。
このモデルは、人口統計、血液ベースのバイオマーカー、画像検出など、さまざまなデータタイプを含むデータセットでトレーニングされます。
教師なしの学習環境で患者を別々のグループに成層するために使用されます。
論文 参考訳（メタデータ） (2020-12-22T19:31:03Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z)
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。