論文の概要: $l_{1-2}$ GLasso: $L_{1-2}$ Regularized Multi-task Graphical Lasso for
Joint Estimation of eQTL Mapping and Gene Network
- arxiv url: http://arxiv.org/abs/2301.02225v1
- Date: Wed, 4 Jan 2023 06:55:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 14:35:51.183049
- Title: $l_{1-2}$ GLasso: $L_{1-2}$ Regularized Multi-task Graphical Lasso for
Joint Estimation of eQTL Mapping and Gene Network
- Title(参考訳): $l_{1-2}$ GLasso: $L_{1-2}$ 正規化マルチタスクグラフラッソによるeQTLマッピングと遺伝子ネットワークの同時推定
- Authors: Wei Miao, Lan Yao
- Abstract要約: i)eQTLマッピングとして知られるSNP-遺伝子関係を同定し、(ii)遺伝子ネットワーク推定として知られる遺伝子-遺伝子関係を決定する。
本稿では,eQTLマッピングと遺伝子ネットワークの結合推定のための統一モデルを提案し,L_1-2$正規化マルチタスクグラフィカルラッソ ($L_1-2$ GLasso) を提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A critical problem in genetics is to discover how gene expression is
regulated within cells. Two major tasks of regulatory association learning are
: (i) identifying SNP-gene relationships, known as eQTL mapping, and (ii)
determining gene-gene relationships, known as gene network estimation. To share
information between these two tasks, we focus on the unified model for joint
estimation of eQTL mapping and gene network, and propose a $L_{1-2}$
regularized multi-task graphical lasso, named $L_{1-2}$ GLasso. Numerical
experiments on artificial datasets demonstrate the competitive performance of
$L_{1-2}$ GLasso on capturing the true sparse structure of eQTL mapping and
gene network. $L_{1-2}$ GLasso is further applied to real dataset of ADNI-1 and
experimental results show that $L_{1 -2}$ GLasso can obtain sparser and more
accurate solutions than other commonly-used methods.
- Abstract(参考訳): 遺伝学における重要な問題は、細胞内で遺伝子発現がどのように制御されているかを発見することである。
規制関連学習における2つの主要な課題
i)eQTLマッピングとして知られるSNP遺伝子関係の同定、及び
(ii)遺伝子ネットワーク推定として知られる遺伝子-遺伝子関係の決定。
これら2つのタスク間で情報を共有するために,eqtlマッピングと遺伝子ネットワークの結合推定のための統一モデルに着目し,l_{1-2}$正規化多タスクグラフィカルラッソ,すなわち$l_{1-2}$ glassoを提案する。
人工データセットの数値実験は、eQTLマッピングと遺伝子ネットワークの真のスパース構造を捉える上で、$L_{1-2}=GLassoの競合性能を示す。
L_{1-2}$ GLassoはADNI-1の実際のデータセットにさらに適用され、実験結果から、$L_{1 -2}$ GLassoが他の一般的な方法よりもスペーサーで正確な解を得ることができることが示されている。
関連論文リスト
- Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。
我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
論文 参考訳(メタデータ) (2024-03-08T18:50:19Z) - Collaborative non-parametric two-sample testing [55.98760097296213]
目標は、null仮説の$p_v = q_v$が拒否されるノードを特定することである。
グラフ構造を効率的に活用する非パラメトリックコラボレーティブ2サンプルテスト(CTST)フレームワークを提案する。
提案手法は,f-divergence Estimation, Kernel Methods, Multitask Learningなどの要素を統合する。
論文 参考訳(メタデータ) (2024-02-08T14:43:56Z) - 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) - Multi-omics Sampling-based Graph Transformer for Synthetic Lethality
Prediction [20.363977976628792]
合成致死性(SL)予測は、2つの遺伝子の共変異が細胞死をもたらすかどうかを識別するために用いられる。
グラフニューラルネットワーク(GNN)は、メッセージパッシング機構の制限に悩まされる。
SL予測のためのマルチオミクスサンプリンググラフ変換器(MSGT-SL)を提案する。
論文 参考訳(メタデータ) (2023-10-17T09:06:41Z) - DNABERT-2: Efficient Foundation Model and Benchmark For Multi-Species
Genome [15.051816241193753]
我々は、k-merのトークン化によって導入された計算とサンプルの非効率性が、大規模なゲノム基盤モデルの開発における主要な障害であると主張している。
我々は、k-merトークン化をByte Pair$(BPE)に置き換えることを提案するゲノムトークン化に関する概念的および実証的な洞察を提供する。
DNABERT-2は、効率的なトークン化を施し、入力長制約を克服するために複数の戦略を用いるゲノム基盤モデルである。
論文 参考訳(メタデータ) (2023-06-26T18:43:46Z) - A Novel Fuzzy Bi-Clustering Algorithm with AFS for Identification of
Co-Regulated Genes [0.799536002595393]
本稿では,共制御遺伝子を同定するファジィ・ビクラスタリングアルゴリズムを提案する。
提案アルゴリズムは、遺伝子発現データの事前知識なしに、協調制御された遺伝子を効果的に検出することができる。
論文 参考訳(メタデータ) (2023-02-03T08:35:49Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳(メタデータ) (2022-09-23T05:24:18Z) - SGC: A semi-supervised pipeline for gene clustering using self-training
approach in gene co-expression networks [3.8073142980733]
本稿では,スペクトルネットワーク理論の数学に基づく遺伝子クラスタリングのための新しいパイプラインを提案する。
SGCは、教師なしの方法で高度に強化されたモジュールの計算を可能にする複数の新しいステップで構成されている。
実データにおいて,SGCが高密度化をもたらすことを示す。
論文 参考訳(メタデータ) (2022-09-21T14:51:08Z) - RU-Net: Regularized Unrolling Network for Scene Graph Generation [92.95032610978511]
シーングラフ生成(SGG)は、オブジェクトを検出し、各オブジェクト間の関係を予測することを目的としている。
既存のSGG法は,(1)あいまいな対象表現,2)関係予測の多様性の低下など,いくつかの問題に悩まされることが多い。
両問題に対処する正規化アンローリングネットワーク(RU-Net)を提案する。
論文 参考訳(メタデータ) (2022-05-03T04:21:15Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳(メタデータ) (2021-10-28T14:59:41Z) - Multi-Relational Graph based Heterogeneous Multi-Task Learning in
Community Question Answering [28.91133131424694]
我々はHMTGIN(Heterogeneous Multi-Task Graph Isomorphism Network)と呼ばれるマルチリレーショナルグラフに基づくマルチタスク学習モデルを開発する。
各トレーニングフォワードパスでは、HMTGINは入力されたCQAフォーラムグラフをグラフ同型ネットワークの拡張によって埋め込み、接続をスキップする。
評価において、埋め込みは異なるタスク固有の出力層間で共有され、対応する予測を行う。
論文 参考訳(メタデータ) (2021-09-04T03:19:20Z)
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。