論文の概要: COmic: Convolutional Kernel Networks for Interpretable End-to-End
Learning on (Multi-)Omics Data
- arxiv url: http://arxiv.org/abs/2212.02504v1
- Date: Fri, 2 Dec 2022 12:54:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-07 17:53:58.709392
- Title: COmic: Convolutional Kernel Networks for Interpretable End-to-End
Learning on (Multi-)Omics Data
- Title（参考訳）: Comic:(Multi-)Omicsデータを用いたエンドツーエンド学習のための畳み込みカーネルネットワーク
- Authors: Jonas C. Ditz, Bernhard Reuter, Nico Pfeifer
- Abstract要約: 我々は、Convolutional Omics Kernel Networks(COmic)という、新しいタイプの人工ニューラルネットワークを提案する。
畳み込み型カーネルネットワークと経路誘導型カーネルを組み合わせることで,オミクスデータセット上での堅牢かつ解釈可能なエンドツーエンド学習を実現する。
経路誘起ラプラシア核の使用がニューラルネットワークのブラックボックスの性質をいかに開放するかを示す。
- 参考スコア（独自算出の注目度）: 1.933681537640272
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivation: The size of available omics datasets is steadily increasing with
technological advancement in recent years. While this increase in sample size
can be used to improve the performance of relevant prediction tasks in
healthcare, models that are optimized for large datasets usually operate as
black boxes. In high stakes scenarios, like healthcare, using a black-box model
poses safety and security issues. Without an explanation about molecular
factors and phenotypes that affected the prediction, healthcare providers are
left with no choice but to blindly trust the models. We propose a new type of
artificial neural networks, named Convolutional Omics Kernel Networks (COmic).
By combining convolutional kernel networks with pathway-induced kernels, our
method enables robust and interpretable end-to-end learning on omics datasets
ranging in size from a few hundred to several hundreds of thousands of samples.
Furthermore, COmic can be easily adapted to utilize multi-omics data.
Results: We evaluate the performance capabilities of COmic on six different
breast cancer cohorts. Additionally, we train COmic models on multi-omics data
using the METABRIC cohort. Our models perform either better or similar to
competitors on both tasks. We show how the use of pathway-induced Laplacian
kernels opens the black-box nature of neural networks and results in
intrinsically interpretable models that eliminate the need for
\textit{post-hoc} explanation models.
- Abstract（参考訳）: モチベーション:近年の技術進歩に伴い、利用可能なオミクスデータセットのサイズは着実に増加している。
このサンプルサイズの増加は、医療における関連する予測タスクのパフォーマンス向上に有効だが、大規模なデータセットに最適化されたモデルは、通常はブラックボックスとして動作する。
医療のようなリスクの高いシナリオでは、ブラックボックスモデルを使うことは安全性とセキュリティの問題を引き起こす。
予測に影響を及ぼす分子要因や表現型についての説明がなければ、医療提供者はモデルに盲目的に信頼するしかない。
我々は,新しいタイプの人工ニューラルネットワーク,Convolutional Omics Kernel Networks (COmic)を提案する。
畳み込み型カーネルネットワークと経路誘導型カーネルを組み合わせることで、数百から数十万のサンプルから数百から数十万のオミックデータセットの堅牢で解釈可能なエンドツーエンド学習を可能にする。
さらに、COmicはマルチオミクスデータに容易に適応できる。
結果:6種類の乳癌コホートに対するCOmicの性能評価を行った。
さらに、METABRICコホートを用いて、マルチオミクスデータに基づいてCOmicモデルを訓練する。
私たちのモデルは、どちらのタスクでも、競合他社よりも優れています。
経路誘起ラプラシア核の使用がニューラルネットワークのブラックボックスの性質をいかに開放するかを示し、その結果、内在的に解釈可能なモデルとなり、 \textit{post-hoc} の説明モデルが不要になることを示す。
関連論文リスト
- Multi-Domain Data Aggregation for Axon and Myelin Segmentation in Histology Images [0.5825410941577593]
組織像における軸索とミエリンの性質の定量化は、神経変性疾患による微細構造変化に関する有用な情報を提供することができる。
ディープラーニングの進歩により、このタスクは最小限のオーバーヘッドで迅速かつ信頼性が高くなっていますが、ある研究グループによってトレーニングされたディープラーニングモデルは、他のグループによって利用されることがほとんどありません。
研究者がワークフローを円滑に実行し、加速するためにAIを利用できるようにする必要があるが、公開モデルは不十分で、メンテナンスが不十分である。
我々のアプローチは、複数の画像モダリティからのデータを集約して、アクソンとミエリンセグメンテーションのためのオープンソースで耐久性のあるツールを作成することである。
論文 参考訳（メタデータ） (2024-09-17T20:47:32Z) - An Autoencoder and Generative Adversarial Networks Approach for Multi-Omics Data Imbalanced Class Handling and Classification [2.2940141855172036]
分子生物学では、マルチオミクスシークエンシングから生成されるデータの爆発があった。
従来の統計手法は、そのような高次元データを扱う際に難しい課題に直面している。
この研究は、オートエンコーダを組み込んだニューラルネットワークでこれらの課題に取り組むことに焦点を当て、特徴の潜在空間を抽出する。
論文 参考訳（メタデータ） (2024-05-16T01:45:55Z) - The Contextual Lasso: Sparse Linear Models via Deep Neural Networks [5.607237982617641]
本研究では,空間的特徴の関数として空間的パターンと係数が変化するような説明的特徴に疎線形モデルに適合する新しい統計的推定器を開発する。
実データと合成データに関する広範な実験は、学習されたモデルは、非常に透明であり、通常のラッソよりもスペーサーであることを示している。
論文 参考訳（メタデータ） (2023-02-02T05:00:29Z) - SubOmiEmbed: Self-supervised Representation Learning of Multi-omics Data
for Cancer Type Classification [4.992154875028543]
マルチオミクスデータの統合と解析により腫瘍の広い視野が得られ,臨床診断の精度が向上する。
SubOmiEmbedは、非常に小さなネットワークを持つベースラインであるOmiEmbedに匹敵する結果を生成する。
この作業は、突然変異に基づくゲノムデータを統合するために改善される。
論文 参考訳（メタデータ） (2022-02-03T16:39:09Z) - Convolutional Motif Kernel Networks [1.104960878651584]
我々のモデルは、小さなデータセットでしっかりと学習でき、関連する医療予測タスクで最先端のパフォーマンスを達成できることを示す。
提案手法はDNAおよびタンパク質配列に利用することができる。
論文 参考訳（メタデータ） (2021-11-03T15:06:09Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z) - M2Net: Multi-modal Multi-channel Network for Overall Survival Time
Prediction of Brain Tumor Patients [151.4352001822956]
生存時間(OS)の早期かつ正確な予測は、脳腫瘍患者に対するより良い治療計画を得るのに役立つ。
既存の予測手法は、磁気共鳴(MR)ボリュームの局所的な病変領域における放射能特性に依存している。
我々は,マルチモーダルマルチチャネルネットワーク(M2Net)のエンドツーエンドOS時間予測モデルを提案する。
論文 参考訳（メタデータ） (2020-06-01T05:21:37Z) - 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) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。