論文の概要: Gene Teams are on the Field: Evaluation of Variants in Gene-Networks Using High Dimensional Modelling

• arxiv url: http://arxiv.org/abs/2301.11763v1
• Date: Fri, 27 Jan 2023 15:02:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-30 15:20:05.563822
• Title: Gene Teams are on the Field: Evaluation of Variants in Gene-Networks Using High Dimensional Modelling
• Title（参考訳）: 遺伝子チームはこの分野にいる:高次元モデリングを用いた遺伝子ネットワークの変異評価
• Authors: Suha Tuna, Cagri Gulec, Emrah Yucesan, Ayse Cirakoglu and Yelda Tarkan Arguden
• Abstract要約: 医学遺伝学では、それぞれの遺伝子変異はその臨床的重要性に関して独立した実体として評価される。 ほとんどの複雑な疾患では、特定の単一の変異が存在するのではなく、特定の遺伝子ネットワークにおける変異結合が優先される。 本稿では,遺伝子ネットワーク内のすべての変異を解析する高次元モデリング手法を提案する。
• 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: In medical genetics, each genetic variant is evaluated as an independent entity regarding its clinical importance. However, in most complex diseases, variant combinations in specific gene networks, rather than the presence of a particular single variant, predominates. In the case of complex diseases, disease status can be evaluated by considering the success level of a team of specific variants. We propose a high dimensional modelling based method to analyse all the variants in a gene network together. To evaluate our method, we selected two gene networks, mTOR and TGF-Beta. For each pathway, we generated 400 control and 400 patient group samples. mTOR and TGF-? pathways contain 31 and 93 genes of varying sizes, respectively. We produced Chaos Game Representation images for each gene sequence to obtain 2-D binary patterns. These patterns were arranged in succession, and a 3-D tensor structure was achieved for each gene network. Features for each data sample were acquired by exploiting Enhanced Multivariance Products Representation to 3-D data. Features were split as training and testing vectors. Training vectors were employed to train a Support Vector Machines classification model. We achieved more than 96% and 99% classification accuracies for mTOR and TGF-Beta networks, respectively, using a limited amount of training samples.
• Abstract（参考訳）: 医学遺伝学では、それぞれの遺伝子変異はその臨床的重要性に関して独立した実体として評価される。 しかし、ほとんどの複雑な疾患では、特定の遺伝子ネットワークにおける変異の組み合わせが、特定の単一の変異体の存在よりも優先される。 複雑な疾患の場合、特定の変種チームの成功レベルを考慮することで、疾患の状態を評価することができる。 本稿では,遺伝子ネットワーク内のすべての変異を解析する高次元モデリング手法を提案する。 本手法を評価するため,mTORとTGF-Betaの2つの遺伝子ネットワークを選択した。 各経路毎に400のコントロールと400の患者グループサンプルを生成した。 mTORとTGF-? 経路は、それぞれ異なる大きさの31と93の遺伝子を含む。 各遺伝子配列に対するカオスゲーム表現画像を作成し,2次元二分パターンを得た。 これらのパターンは順に配列され、各遺伝子ネットワークに対して3次元テンソル構造が達成された。 各データサンプルの特徴は、3次元データに拡張多変量製品表現を利用して取得した。 機能はトレーニングとテストベクターとして分割された。 サポートベクターマシンの分類モデルを訓練するためにトレーニングベクターが採用された。 我々は,mTORとTGF-Betaネットワークの分類精度を,限られたトレーニングサンプルを用いて96%以上,99%以上達成した。

関連論文リスト

• GeSubNet: Gene Interaction Inference for Disease Subtype Network Generation [29.93863082158739]
  知識データベースから遺伝子機能ネットワークを取得することは、疾患ネットワークとサブタイプ固有のバリエーションのミスマッチによる課題である。 本稿では、異なる疾患サブタイプを区別しながら、遺伝子相互作用を予測できる統一表現を学習するGeSubNetを提案する。
  論文  参考訳（メタデータ） (2024-10-17T02:58:57Z)
• MuSe-GNN: Learning Unified Gene Representation From Multimodal Biological Graph Data [22.938437500266847]
  マルチモーダル類似性学習グラフニューラルネットワークという新しいモデルを提案する。 マルチモーダル機械学習とディープグラフニューラルネットワークを組み合わせて、単一セルシークエンシングと空間転写データから遺伝子発現を学習する。 本モデルでは, 遺伝子機能, 組織機能, 疾患, 種進化の解析のために, 統合された遺伝子表現を効率よく生成する。
  論文  参考訳（メタデータ） (2023-09-29T13:33:53Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• rfPhen2Gen: A machine learning based association study of brain imaging phenotypes to genotypes [71.1144397510333]
  56個の脳画像QTを用いてSNPを予測する機械学習モデルを学習した。 アルツハイマー病(AD)リスク遺伝子APOEのSNPは、ラスソとランダムな森林に対して最低のRMSEを有していた。 ランダム・フォレストは、線形モデルによって優先順位付けされなかったが、脳関連疾患と関連があることが知られている追加のSNPを特定した。
  論文  参考訳（メタデータ） (2022-03-31T20:15:22Z)
• High-dimensional multi-trait GWAS by reverse prediction of genotypes [3.441021278275805]
  逆回帰は、高次元設定でマルチトレイGWASを実行するための有望なアプローチである。 マルチトランジットGWASにおける逆回帰のための異なる機械学習手法を解析した。 モデル特徴係数は変異体と個々の形質の関連性の強さと相関し,真のトランス-eQTL標的遺伝子を予測した。
  論文  参考訳（メタデータ） (2021-10-29T22:34:35Z)
• Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
  我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。 我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
  論文  参考訳（メタデータ） (2021-10-11T12:48:44Z)
• A deep learning classifier for local ancestry inference [63.8376359764052]
  局所祖先推論は、個人のゲノムの各セグメントの祖先を特定する。 我々は,エンコーダ・デコーダアーキテクチャを備えた深層畳み込みニューラルネットワークを用いた新しいLAIツールを開発した。 我々は,既存のゴールド標準ツール RFMix とほぼ同等の精度で,ゼロショットタスクとしてアドミキシングを学習できることを実証した。
  論文  参考訳（メタデータ） (2020-11-04T00:42:01Z)
• Expectile Neural Networks for Genetic Data Analysis of Complex Diseases [3.0088453915399747]
  本研究では、複雑な疾患の遺伝子データ解析のための予測型ニューラルネットワーク(ENN)法を開発した。 期待回帰と同様に、ERNは遺伝子変異と疾患の表現型との関係を包括的に把握する。 提案手法は,遺伝子変異と疾患表現型との間に複雑な関係がある場合,既存の予測回帰よりも優れていた。
  論文  参考訳（メタデータ） (2020-10-26T21:07:40Z)
• 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)
• A Semi-Supervised Generative Adversarial Network for Prediction of Genetic Disease Outcomes [0.0]
  本稿では, 遺伝的な遺伝的データセットを作成するために, gGAN (Generative Adversarial Networks) を導入する。 我々のゴールは、遺伝子プロファイルだけで病気の重篤な形態を発達させる新しい個人の正当性を決定することである。 提案モデルは自己認識型であり、ネットワークがトレーニングされたデータと十分に互換性のある新しい遺伝子プロファイルを決定することができる。
  論文  参考訳（メタデータ） (2020-07-02T15:35:14Z)

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。