論文の概要: CLCLSA: Cross-omics Linked embedding with Contrastive Learning and Self
Attention for multi-omics integration with incomplete multi-omics data
- arxiv url: http://arxiv.org/abs/2304.05542v1
- Date: Wed, 12 Apr 2023 00:22:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-13 16:24:44.375162
- Title: CLCLSA: Cross-omics Linked embedding with Contrastive Learning and Self
Attention for multi-omics integration with incomplete multi-omics data
- Title（参考訳）: CLCLSA:非完全マルチオミクスデータとのマルチオミクス統合のためのコントラスト学習と自己注意によるクロスオミクスの埋め込み
- Authors: Chen Zhao, Anqi Liu, Xiao Zhang, Xuewei Cao, Zhengming Ding, Qiuying
Sha, Hui Shen, Hong-Wen Deng, Weihua Zhou
- Abstract要約: 不均一・高次元マルチオミクスデータの統合は、遺伝データの理解においてますます重要になっている。
マルチオミクスデータ統合を行う際に直面する障害のひとつは、機器の感度とコストによる未ペアリングマルチオミクスデータの存在である。
クロスオミクスを用いたマルチオミクス統合のための深層学習手法を提案する。
- 参考スコア（独自算出の注目度）: 47.2764293508916
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Integration of heterogeneous and high-dimensional multi-omics data is
becoming increasingly important in understanding genetic data. Each omics
technique only provides a limited view of the underlying biological process and
integrating heterogeneous omics layers simultaneously would lead to a more
comprehensive and detailed understanding of diseases and phenotypes. However,
one obstacle faced when performing multi-omics data integration is the
existence of unpaired multi-omics data due to instrument sensitivity and cost.
Studies may fail if certain aspects of the subjects are missing or incomplete.
In this paper, we propose a deep learning method for multi-omics integration
with incomplete data by Cross-omics Linked unified embedding with Contrastive
Learning and Self Attention (CLCLSA). Utilizing complete multi-omics data as
supervision, the model employs cross-omics autoencoders to learn the feature
representation across different types of biological data. The multi-omics
contrastive learning, which is used to maximize the mutual information between
different types of omics, is employed before latent feature concatenation. In
addition, the feature-level self-attention and omics-level self-attention are
employed to dynamically identify the most informative features for multi-omics
data integration. Extensive experiments were conducted on four public
multi-omics datasets. The experimental results indicated that the proposed
CLCLSA outperformed the state-of-the-art approaches for multi-omics data
classification using incomplete multi-omics data.
- Abstract（参考訳）: 不均一・高次元マルチオミクスデータの統合は、遺伝データの理解においてますます重要になっている。
それぞれのオデックテクニックは、基礎となる生物学的過程の限られたビューを提供し、不均一なオデック層を同時に統合することで、より包括的かつ詳細な疾患や表現型の理解に繋がる。
しかし、マルチオミクスデータ統合を行う際の1つの障害は、機器の感度とコストのため、非ペアのマルチオミクスデータが存在することである。
研究は、被験者の特定の側面が欠如しているか不完全であれば失敗する。
本稿では,クロスオミクス結合型統一埋め込みとコントラスト学習と自己注意(clclsa)による不完全データとのマルチオミクス統合のための深層学習手法を提案する。
完全なマルチオミクスデータを監視として利用し、クロスオミクスのオートエンコーダを使用して、さまざまな種類の生物学的データにまたがる特徴表現を学習する。
異なるタイプのオミクス間の相互情報の最大化に使用されるマルチオミクスコントラスト学習は、潜在的特徴結合の前に使用される。
さらに、マルチオミクスデータ統合において最も有用な特徴を動的に識別するために、機能レベルの自己注意とオミクスレベルの自己注意が使用される。
4つの公開マルチオミクスデータセットで広範な実験が行われた。
実験の結果,clclsaは不完全マルチオミクスデータを用いたマルチオミクスデータ分類の最先端手法よりも優れていた。
関連論文リスト
- MVKTrans: Multi-View Knowledge Transfer for Robust Multiomics Classification [14.533025681231294]
そこで本研究では,生物内および生物間知識を適応的に伝達する多視点知識伝達学習フレームワークを提案する。
具体的には、未ラベルデータに基づいて訓練されたグラフコントラストモジュールを設計し、基礎となるオミクス内パターンを教師付きタスクに効果的に学習し、転送する。
異なる疾患および/またはサンプルにおけるモダリティの識別能力の変化を考慮して, 適応型および双方向のクロスオミクス蒸留モジュールを導入する。
論文 参考訳（メタデータ） (2024-11-13T15:45:46Z) - UNICORN: A Deep Learning Model for Integrating Multi-Stain Data in Histopathology [2.9389205138207277]
UNICORNは動脈硬化の重症度予測のための多段階組織学を処理できるマルチモーダルトランスフォーマーである。
このアーキテクチャは、2段階のエンドツーエンドのトレーニング可能なモデルと、トランスフォーマーの自己保持ブロックを利用する特殊なモジュールから構成される。
UNICORNは0.67の分類精度を達成し、他の最先端モデルを上回った。
論文 参考訳（メタデータ） (2024-09-26T12:13:52Z) - UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳（メタデータ） (2024-02-20T11:50:27Z) - Integrate Any Omics: Towards genome-wide data integration for patient
stratification [6.893309898200498]
IntegrAOは、不完全なマルチオミクスデータを統合し、新しいサンプルを分類するための教師なしのフレームワークである。
不均一データや不完全データを扱うIntegratedAOの能力は、精度オンコロジーに不可欠なツールである。
論文 参考訳（メタデータ） (2024-01-15T19:57:07Z) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - scICML: Information-theoretic Co-clustering-based Multi-view Learning
for the Integrative Analysis of Single-cell Multi-omics data [0.0]
マルチオミクス・シングルセルデータ統合のための情報理論を用いたマルチビュー学習法(scICML)を開発した。
scICMLは共同クラスタリングを使用して、データのビュー毎に同様の機能を集約し、セルの共通クラスタリングパターンを明らかにする。
実世界の4つのデータセットに対する実験により、SCICMLは全体のクラスタリング性能を改善し、末梢血単核球のデータ解析に関する生物学的知見を提供することが示された。
論文 参考訳（メタデータ） (2022-05-19T12:41:55Z) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳（メタデータ） (2021-04-22T13:39:33Z) - 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 generalized kernel machine approach to identify higher-order composite
effects in multi-view datasets [4.579719459619913]
マルチビューバイオメディカルデータセットにおける高次合成効果を同定するための新しいカーネルマシン手法を提案する。
提案手法は,高次合成効果を効果的に同定し,協調作業において対応する特徴が機能することを示唆する。
論文 参考訳（メタデータ） (2020-04-29T08:56:02Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z)
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。