論文の概要: Bayesian outcome-guided multi-view mixture models with applications in
molecular precision medicine
- arxiv url: http://arxiv.org/abs/2303.00318v1
- Date: Wed, 1 Mar 2023 08:32:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 15:34:34.746406
- Title: Bayesian outcome-guided multi-view mixture models with applications in
molecular precision medicine
- Title（参考訳）: ベイズ結果誘導多視点混合モデルと分子精密医学への応用
- Authors: Paul D. W. Kirk, Filippo Pagani, Sylvia Richardson
- Abstract要約: クラスタリングは一般的に、'オミクスデータセットの構造を明らかにするための最初の分析ステップとして実行される。
本稿では,変数群(ビュー)を識別する多視点ベイズ混合モデルを提案する。
本研究は成層医療の応用を考察し,臨床応用可能な疾患のサブタイプを明確に定義した患者集団の同定を主目的とする。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clustering is commonly performed as an initial analysis step for uncovering
structure in 'omics datasets, e.g. to discover molecular subtypes of disease.
The high-throughput, high-dimensional nature of these datasets means that they
provide information on a diverse array of different biomolecular processes and
pathways. Different groups of variables (e.g. genes or proteins) will be
implicated in different biomolecular processes, and hence undertaking analyses
that are limited to identifying just a single clustering partition of the whole
dataset is therefore liable to conflate the multiple clustering structures that
may arise from these distinct processes. To address this, we propose a
multi-view Bayesian mixture model that identifies groups of variables
(``views"), each of which defines a distinct clustering structure. We consider
applications in stratified medicine, for which our principal goal is to
identify clusters of patients that define distinct, clinically actionable
disease subtypes. We adopt the semi-supervised, outcome-guided mixture
modelling approach of Bayesian profile regression that makes use of a response
variable in order to guide inference toward the clusterings that are most
relevant in a stratified medicine context. We present the model, together with
illustrative simulation examples, and examples from pan-cancer proteomics. We
demonstrate how the approach can be used to perform integrative clustering, and
consider an example in which different 'omics datasets are integrated in the
context of breast cancer subtyping.
- Abstract（参考訳）: クラスタリングは、例えば病気の分子サブタイプを発見するなど、オミクスデータセットの構造を明らかにする最初の分析ステップとして一般的に行われている。
これらのデータセットの高スループットで高次元な性質は、様々な生体分子のプロセスや経路に関する情報を提供することを意味する。
異なる変数のグループ(例えば、遺伝子やタンパク質)は、異なる生体分子プロセスに関係しており、それゆえデータセット全体の単一のクラスタリング分割のみを特定することに限定される分析は、これらの異なるプロセスから生じる複数のクラスタリング構造を共役させる責任がある。
そこで我々は,個別のクラスタリング構造を定義する変数群(``views)を識別する多視点ベイズ混合モデルを提案する。
本研究は成層医療の応用を考察し,臨床応用可能な疾患のサブタイプを明確に定義した患者集団の同定を主目的とする。
我々は,階層化された医学的文脈において最も関連するクラスタリングに対する推論を導くために,応答変数を用いたベイズプロファイル回帰の半教師付き・結果誘導混合モデルアプローチを採用する。
本モデルは,実証シミュレーションの例とともに,パン・カンサープロテオミクスの例を示す。
本稿では,このアプローチを統合的クラスタリングに活用する方法を実証し,乳がんのサブタイピングの文脈において,異なる'omicsデータセットが統合されている例について考察する。
関連論文リスト
- Task Groupings Regularization: Data-Free Meta-Learning with Heterogeneous Pre-trained Models [83.02797560769285]
Data-Free Meta-Learning (DFML)は、トレーニング済みモデルのコレクションから、元のデータにアクセスせずに知識を抽出することを目的としている。
現在の手法は、事前訓練されたモデル間の不均一性を見落とし、タスクの衝突による性能低下につながることが多い。
課題群規則化(Task Groupings Regularization)は、矛盾するタスクをグループ化し整合させることにより、モデルの不均一性から恩恵を受ける新しいアプローチである。
論文 参考訳（メタデータ） (2024-05-26T13:11:55Z) - 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) - Single-cell Multi-view Clustering via Community Detection with Unknown
Number of Clusters [64.31109141089598]
シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。
scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。
3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
論文 参考訳（メタデータ） (2023-11-28T08:34:58Z) - Conditionally Invariant Representation Learning for Disentangling
Cellular Heterogeneity [25.488181126364186]
本稿では,不必要な変数や乱れに条件付き不変な表現を学習するために,ドメインの可変性を活用する新しい手法を提案する。
単細胞ゲノム学におけるデータ統合など,生物の課題に対して本手法を適用した。
具体的には、提案手法は、対象のタスクと無関係なデータバイアスや興味の因果的説明から生物学的信号を解き放つのに役立つ。
論文 参考訳（メタデータ） (2023-07-02T12:52:41Z) - Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。
提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。
その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
論文 参考訳（メタデータ） (2023-04-10T17:58:22Z) - Composite Feature Selection using Deep Ensembles [130.72015919510605]
本研究では,事前定義されたグループ化を伴わない予測的特徴群発見の問題について検討する。
本稿では,特徴選択モデルのアンサンブルを用いて予測グループを探索する,新しいディープラーニングアーキテクチャを提案する。
発見群と基底真理の類似性を測定するための新しい尺度を提案する。
論文 参考訳（メタデータ） (2022-11-01T17:49:40Z) - MoReL: Multi-omics Relational Learning [26.484803417186384]
ヘテロジニアスビューの分子間相互作用をコードする多部グラフを効率的に推定する新しいディープベイズ生成モデルを提案する。
このようなディープベイズ生成モデルにおける最適輸送正則化により、ビュー固有側情報を組み込むだけでなく、分布ベース正則化によるモデルの柔軟性も向上する。
論文 参考訳（メタデータ） (2022-03-15T02:50:07Z) - Interpretable Single-Cell Set Classification with Kernel Mean Embeddings [14.686560033030101]
Kernel Mean Embeddingは、各プロファイルされた生物学的サンプルの細胞景観をエンコードする。
簡単な線形分類器を訓練し、3つのフローおよび質量データセットの最先端の分類精度を実現する。
論文 参考訳（メタデータ） (2022-01-18T21:40:36Z) - Group Heterogeneity Assessment for Multilevel Models [68.95633278540274]
多くのデータセットは固有のマルチレベル構造を含む。
この構造を考慮に入れることは、そのようなデータ上で行われた統計分析の正確性と校正にとって重要である。
本稿では,データ内のグループ化変数のレベルの違いを効率的に評価するフレキシブルなフレームワークを提案する。
論文 参考訳（メタデータ） (2020-05-06T12:42:04Z) - Distinguishing Cell Phenotype Using Cell Epigenotype [0.0]
顕微鏡観察とマクロな振る舞いの関係は、生体物理学システムにおける根本的なオープンな問題である。
既存の手法とは対照的に,ヒトの組織多様性と利用可能なデータの制限を考慮に入れた場合でも,マクロ分子データから細胞型を予測する統一的なアプローチを開発する。
論文 参考訳（メタデータ） (2020-03-20T18:00:07Z) - Blocked Clusterwise Regression [0.0]
我々は、各ユニットが複数の潜伏変数を持つことを可能にすることで、離散的非観測的不均一性に対する以前のアプローチを一般化する。
我々は,クラスタの過剰な数のクラスタリングの理論に寄与し,この設定に対する新たな収束率を導出する。
論文 参考訳（メタデータ） (2020-01-29T23:29:31Z)
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。