論文の概要: Functional Integrative Bayesian Analysis of High-dimensional
Multiplatform Genomic Data
- arxiv url: http://arxiv.org/abs/2212.14165v1
- Date: Thu, 29 Dec 2022 03:31:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 17:34:19.786725
- Title: Functional Integrative Bayesian Analysis of High-dimensional
Multiplatform Genomic Data
- Title(参考訳): 高次元多プラットフォームゲノミクスデータの関数積分ベイズ解析
- Authors: Rupam Bhattacharyya and Nicholas Henderson and Veerabhadran
Baladandayuthapani
- Abstract要約: 我々は高次元多プラットフォームゲノミクスデータ(fiBAG)の関数積分ベイズ解析というフレームワークを提案する。
fiBAGは、プロテオゲノムバイオマーカーの上流での機能的証拠の同時同定を可能にする。
本研究は,14種類のがんのパン・カンサー解析を用いて,fiBAGの収益性を示す。
- 参考スコア(独自算出の注目度): 0.8029049649310213
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rapid advancements in collection and dissemination of multi-platform
molecular and genomics data has resulted in enormous opportunities to aggregate
such data in order to understand, prevent, and treat human diseases. While
significant improvements have been made in multi-omic data integration methods
to discover biological markers and mechanisms underlying both prognosis and
treatment, the precise cellular functions governing these complex mechanisms
still need detailed and data-driven de-novo evaluations. We propose a framework
called Functional Integrative Bayesian Analysis of High-dimensional
Multiplatform Genomic Data (fiBAG), that allows simultaneous identification of
upstream functional evidence of proteogenomic biomarkers and the incorporation
of such knowledge in Bayesian variable selection models to improve signal
detection. fiBAG employs a conflation of Gaussian process models to quantify
(possibly non-linear) functional evidence via Bayes factors, which are then
mapped to a novel calibrated spike-and-slab prior, thus guiding selection and
providing functional relevance to the associations with patient outcomes. Using
simulations, we illustrate how integrative methods with functional calibration
have higher power to detect disease related markers than non-integrative
approaches. We demonstrate the profitability of fiBAG via a pan-cancer analysis
of 14 cancer types to identify and assess the cellular mechanisms of
proteogenomic markers associated with cancer stemness and patient survival.
- Abstract(参考訳): 多プラットフォーム分子およびゲノムデータの収集と拡散の急速な進歩は、人間の病気を理解し、予防し、治療するためにそのようなデータを集約する大きな機会をもたらした。
予後と治療の基礎となる生物学的マーカーやメカニズムを発見するためのマルチオミックなデータ統合法では大きな改善がなされているが、これらの複雑なメカニズムを管理する正確な細胞機能は、詳細でデータ駆動のデノボ評価が必要である。
本稿では,高次元多プラットフォームゲノミクスデータの関数的ベイズ解析(FIBAG)というフレームワークを提案する。これは,プロテオゲノミクスバイオマーカーの上流関数的証拠の同時同定と,ベイズ変数選択モデルにおけるそのような知識の導入による信号検出の改善を可能にする。
fiBAGは、ベイズ因子を介してガウス過程モデルを用いて(おそらく非線形ではない)機能的エビデンスを定量化し、その後、新しいキャリブレーションされたスパイク・アンド・スラブにマッピングし、選択を導き、患者の結果に関連する機能的関連性を提供する。
シミュレーションを用いて, 機能キャリブレーションを用いた積分法は, 非積分的手法よりも疾患マーカーの検出能力が高いことを示す。
ファイバッグの収益性は,14種類のがんタイプをパンキャンサーで解析し,がんの茎と患者の生存に関連するプロテオゲノミクスマーカーの細胞機構を同定し,評価する。
関連論文リスト
- Unlocking the Power of Multi-institutional Data: Integrating and
Harmonizing Genomic Data Across Institutions [3.8769921482808116]
共通遺伝子を超えて情報を保存するための統合的特徴を導出するためにブリッジモデルを導入する。
このモデルは、GenIE BPCデータにおいて、6種類のがん種にわたる患者の生存を予測するのに一貫して優れている。
論文 参考訳(メタデータ) (2024-01-30T23:25:05Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳(メタデータ) (2023-11-28T09:14:55Z) - 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) - Optimal transport for automatic alignment of untargeted metabolomic data [8.692678207022084]
本稿では,LC-MSデータセットを最適なトランスポートで自動的に組み合わせる,フレキシブルでユーザフレンドリなアルゴリズムであるGromovMatcherを紹介する。
特徴強度相関構造を利用することで、GromovMatcherは既存のアプローチよりも優れたアライメント精度とロバスト性を提供する。
論文 参考訳(メタデータ) (2023-06-05T20:08:19Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳(メタデータ) (2022-07-20T07:32:02Z) - Improving generalization of machine learning-identified biomarkers with
causal modeling: an investigation into immune receptor diagnostics [2.40246230430283]
我々は、最近確立された高次元バイオマーカー-アダプティブ免疫受容体レパートリー(AIRRs)に焦点をあてる。
因果モデリングは,変数間の安定な関係を同定することにより,機械学習に基づくバイオマーカーの堅牢性を向上させる。
論文 参考訳(メタデータ) (2022-04-20T08:15:54Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。
本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
論文 参考訳(メタデータ) (2020-11-22T17:31:23Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z) - Interpretable multimodal fusion networks reveal mechanisms of brain
cognition [26.954460880062506]
我々は,自動診断と結果解釈を同時に行うことができる,解釈可能なマルチモーダル融合モデルgCAM-CCLを開発した。
脳画像遺伝学的研究におけるgCAM-CCLモデルの有効性を検証し,gCAM-CCLの分類と機構解析の両面において良好な性能を示した。
論文 参考訳(メタデータ) (2020-06-16T18:52:50Z) - The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model
Learning with Application to Genomic Data Integration [0.0]
本稿では,異なるタイプのマルチオミックデータを解析するための混合グラフィカルモデルを提案する。
モデル選択結果の計算効率と精度の両面で,本手法が優れていることがわかった。
論文 参考訳(メタデータ) (2020-05-08T16:34:58Z)
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。