Fugu-MT 論文翻訳(概要): Functional Integrative Bayesian Analysis of High-dimensional Multiplatform Genomic Data

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

LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
論文参考訳（メタデータ） (2024-08-30T16:26:04Z)
MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文参考訳（メタデータ） (2024-06-12T15:22:56Z)
Unlocking the Power of Multi-institutional Data: Integrating and Harmonizing Genomic Data Across Institutions [3.5489676012585236]
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は優れたアライメント精度とロバスト性を提供する。我々は,GromovMatcherが,いくつかのがんタイプに関連するライフスタイルのリスク要因に関連するバイオマーカーの検索をいかに促進するかを示す。
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)
Data-Driven Logistic Regression Ensembles With Applications in Genomics [0.0]
本稿では,正規化とアンサンブルのアイデアを組み合わせた高次元二項分類問題に対する新しいアプローチを提案する。がん,多発性硬化症,乾皮症などの共通疾患を含むいくつかの医学的データセットを用いて,バイオマーカーの予測精度と同定の点で,本手法の優れた性能を実証した。
論文参考訳（メタデータ） (2021-02-17T05:57:26Z)
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)

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。