論文の概要: Incorporating Prior Knowledge in Deep Learning Models via Pathway Activity Autoencoders

• arxiv url: http://arxiv.org/abs/2306.05813v1
• Date: Fri, 9 Jun 2023 11:12:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-12 13:38:38.128299
• Title: Incorporating Prior Knowledge in Deep Learning Models via Pathway Activity Autoencoders
• Title（参考訳）: 経路活動オートエンコーダを用いた深層学習モデルの事前知識の導入
• Authors: Pedro Henrique da Costa Avelar, Min Wu, Sophia Tsoka
• Abstract要約: 本稿では,癌におけるRNA-seqデータのための,事前知識に基づく新しいディープオートエンコーディングフレームワークPAAEを提案する。 機能セットが小さいにもかかわらず,PAAEモデルとPAAEモデルでは,一般的な手法と比較して,アウト・オブ・セットの再現性が向上していることを示す。
• 参考スコア（独自算出の注目度）: 5.950889585409067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motivation: Despite advances in the computational analysis of high-throughput molecular profiling assays (e.g. transcriptomics), a dichotomy exists between methods that are simple and interpretable, and ones that are complex but with lower degree of interpretability. Furthermore, very few methods deal with trying to translate interpretability in biologically relevant terms, such as known pathway cascades. Biological pathways reflecting signalling events or metabolic conversions are Small improvements or modifications of existing algorithms will generally not be suitable, unless novel biological results have been predicted and verified. Determining which pathways are implicated in disease and incorporating such pathway data as prior knowledge may enhance predictive modelling and personalised strategies for diagnosis, treatment and prevention of disease. Results: We propose a novel prior-knowledge-based deep auto-encoding framework, PAAE, together with its accompanying generative variant, PAVAE, for RNA-seq data in cancer. Through comprehensive comparisons among various learning models, we show that, despite having access to a smaller set of features, our PAAE and PAVAE models achieve better out-of-set reconstruction results compared to common methodologies. Furthermore, we compare our model with equivalent baselines on a classification task and show that they achieve better results than models which have access to the full input gene set. Another result is that using vanilla variational frameworks might negatively impact both reconstruction outputs as well as classification performance. Finally, our work directly contributes by providing comprehensive interpretability analyses on our models on top of improving prognostication for translational medicine.
• Abstract（参考訳）: モチベーション(Motivation): 高スループット分子プロファイリングアッセイ(例えば transcriptomics)の計算解析の進歩にもかかわらず、単純かつ解釈可能な方法と、複雑だが解釈可能性の低い方法の間に二分法が存在する。 さらに、既知の経路カスケードのような生物学的に関連する用語で解釈可能性の翻訳を試みる手法はほとんどない。 シグナル伝達現象や代謝変換を反映する生物学的経路は、新しい生物学的結果が予測され検証されない限り、既存のアルゴリズムの小さな改良や修正は一般的には適切ではない。 疾患にどの経路が関係しているかを判断し、先行知識としてそのような経路データを組み込むことは、疾患の診断、治療、予防のための予測モデリングおよびパーソナライズされた戦略を強化する可能性がある。 結果: 癌におけるRNAシークエンシングのための新しい知識ベースディープオートエンコーディングフレームワークPAAEと,それに伴う遺伝子変異PAVAEを併用して提案する。 様々な学習モデル間の総合的な比較により, PAAEモデルとPAAEモデルは, 一般的な手法と比較して, より小さな特徴セットにアクセスできるにもかかわらず, より優れたアウト・オブ・セットの再構築結果が得られることを示した。 さらに,本モデルと分類タスクの等価なベースラインを比較し,全入力遺伝子セットにアクセス可能なモデルよりも優れた結果が得られることを示す。 もう一つの結果として、バニラ変分フレームワークの使用は、復元出力と分類性能の両方に悪影響を及ぼす可能性がある。 最後に,本研究は,翻訳医学の予後向上に資し,我々のモデルに対する包括的解釈可能性分析を提供することによって直接的に貢献する。

関連論文リスト

• Do Histopathological Foundation Models Eliminate Batch Effects? A Comparative Study [1.5142296396121897]
  基礎モデルの特徴埋め込みには, 偏りのある予測や誤分類につながる可能性のある, 異なる病院の署名が含まれていることを示す。 我々の研究は、医療基盤モデルの評価に関する新しい視点を提供し、より堅牢な事前訓練戦略と下流予測者への道を開く。
  論文  参考訳（メタデータ） (2024-11-08T11:39:03Z)
• Integrating Large Language Models for Genetic Variant Classification [12.244115429231888]
  大型言語モデル (LLM) は遺伝学においてトランスフォーメーションツールとして登場した。 本研究では,GPN-MSA,ESM1b,AlphaMissenseを含む最先端LLMの統合について検討した。 提案手法は,よく注釈付けされたProteinGymとClinVarのデータセットを用いて,これらの統合モデルを評価する。
  論文  参考訳（メタデータ） (2024-11-07T13:45:56Z)
• Benchmarking Transcriptomics Foundation Models for Perturbation Analysis : one PCA still rules them all [1.507700065820919]
  転写学的シークエンシングの最近の進歩は、価値ある洞察を明らかにする新しい機会を提供する。 摂動解析におけるこれらの上昇モデルの有効性をしっかり評価するためのベンチマークは行われていない。 本稿では,生物学的に動機づけた新しい評価フレームワークと摂動解析タスクの階層について述べる。
  論文  参考訳（メタデータ） (2024-10-17T18:27:51Z)
• Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
  虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。 本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
  論文  参考訳（メタデータ） (2024-05-01T23:40:12Z)
• Improving Biomedical Entity Linking with Retrieval-enhanced Learning [53.24726622142558]
  $k$NN-BioELは、トレーニングコーパス全体から同様のインスタンスを予測のヒントとして参照する機能を備えたBioELモデルを提供する。 k$NN-BioELは、いくつかのデータセットで最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-12-15T14:04:23Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Using Explainable Boosting Machine to Compare Idiographic and Nomothetic Approaches for Ecological Momentary Assessment Data [2.0824228840987447]
  本稿では,非線形解釈型機械学習(ML)モデルを用いた分類問題について検討する。 木々の様々なアンサンブルは、不均衡な合成データセットと実世界のデータセットを用いて線形モデルと比較される。 2つの実世界のデータセットのうちの1つで、知識蒸留法は改善されたAUCスコアを達成する。
  論文  参考訳（メタデータ） (2022-04-04T17:56:37Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• 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 Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。