論文の概要: Multi-objective optimization based network control principles for
identifying personalized drug targets with cancer
- arxiv url: http://arxiv.org/abs/2306.13349v1
- Date: Fri, 23 Jun 2023 07:56:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-26 13:26:39.138904
- Title: Multi-objective optimization based network control principles for
identifying personalized drug targets with cancer
- Title（参考訳）: 多目的最適化に基づく薬物標的同定のためのネットワーク制御原理
- Authors: Jing Liang, Zhuo Hu, Zong-Wei Li, Kang-Jia Qiao, Wei-Feng Guo
- Abstract要約: 個人患者の高次元的パーソナライズされたゲノムプロファイルからパーソナライズドドラッグターゲット(PDT)を特定するための効率的なモデルを開発することは大きな課題である。
最近の構造的ネットワーク制御の原則は、パーソナライズされた遺伝子相互作用ネットワーク(PGIN)において最適なドライバ遺伝子群を選択することによってPDTを発見する新しいアプローチを導入した。
本稿では,最小ドライバノードと既知薬物標的情報の最大値を考慮し,多目的最適化に基づく構造的ネットワーク制御原理(MONCP)を提案する。
- 参考スコア（独自算出の注目度）: 1.7644346597801848
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: It is a big challenge to develop efficient models for identifying
personalized drug targets (PDTs) from high-dimensional personalized genomic
profile of individual patients. Recent structural network control principles
have introduced a new approach to discover PDTs by selecting an optimal set of
driver genes in personalized gene interaction network (PGIN). However, most of
current methods only focus on controlling the system through a minimum
driver-node set and ignore the existence of multiple candidate driver-node sets
for therapeutic drug target identification in PGIN. Therefore, this paper
proposed multi-objective optimization-based structural network control
principles (MONCP) by considering minimum driver nodes and maximum prior-known
drug-target information. To solve MONCP, a discrete multi-objective
optimization problem is formulated with many constrained variables, and a novel
evolutionary optimization model called LSCV-MCEA was developed by adapting a
multi-tasking framework and a rankings-based fitness function method. With
genomics data of patients with breast or lung cancer from The Cancer Genome
Atlas database, the effectiveness of LSCV-MCEA was validated. The experimental
results indicated that compared with other advanced methods, LSCV-MCEA can more
effectively identify PDTs with the highest Area Under the Curve score for
predicting clinically annotated combinatorial drugs. Meanwhile, LSCV-MCEA can
more effectively solve MONCP than other evolutionary optimization methods in
terms of algorithm convergence and diversity. Particularly, LSCV-MCEA can
efficiently detect disease signals for individual patients with BRCA cancer.
The study results show that multi-objective optimization can solve structural
network control principles effectively and offer a new perspective for
understanding tumor heterogeneity in cancer precision medicine.
- Abstract（参考訳）: 個人患者の高次元パーソナライズされたゲノムプロファイルからパーソナライズドドラッグターゲット(PDT)を特定するための効率的なモデルを開発することは大きな課題である。
最近の構造的ネットワーク制御の原則は、パーソナライズされた遺伝子相互作用ネットワーク(PGIN)において最適なドライバ遺伝子群を選択することによって、PDTを発見する新しいアプローチを導入した。
しかし、現在の手法のほとんどは、最小のドライバノードセットによるシステム制御にのみ焦点を合わせており、pginにおける治療薬ターゲット識別のための複数のドライバーノードセットの存在を無視している。
そこで本稿では,最小ドライバノードと最大既知薬物ターゲット情報を考慮して,多目的最適化に基づく構造的ネットワーク制御原理(moncp)を提案する。
MONCPを解くために、多くの制約変数で離散多目的最適化問題を定式化し、マルチタスクフレームワークとランキングベースの適合関数法を適用してLSCV-MCEAと呼ばれる新しい進化的最適化モデルを開発した。
The Cancer Genome Atlas databaseによる乳癌または肺癌患者のゲノムデータを用いてLSCV-MCEAの有効性を検証した。
実験の結果,LSCV-MCEAは,他の先進的な方法と比較して,Curve スコアが最も高い領域の PDT をより効果的に同定し,臨床的にアノテートされた組合せ薬を予測できることが示唆された。
一方、LSCV-MCEAはアルゴリズムの収束と多様性の観点から、他の進化的最適化手法よりも効果的にMONCPを解くことができる。
特に、LSCV-MCEAはBRCA癌患者の疾患信号を効率的に検出することができる。
本研究は,多目的最適化が構造的ネットワーク制御原理を効果的に解決し,癌精密医学における腫瘍異種性を理解するための新たな視点を提供することを示す。
関連論文リスト
- COMFORT: A Continual Fine-Tuning Framework for Foundation Models Targeted at Consumer Healthcare [3.088223994180069]
COMFORTはTransformerベースの基盤モデルとWMSベースの疾患検出のギャップを埋めることを目的としている。
本稿では,トランスフォーマーに基づく基礎モデルを生理的信号の大規模データセット上で事前学習するための新しいアプローチを提案する。
次に、低ランク適応(LoRA)とその変種など、パラメータ効率のよい各種細調整法(PEFT)を用いて、モデルを微調整し、下流の様々な疾患検出タスクに適応させる。
論文 参考訳（メタデータ） (2024-09-14T22:24:52Z) - CC-DCNet: Dynamic Convolutional Neural Network with Contrastive Constraints for Identifying Lung Cancer Subtypes on Multi-modality Images [13.655407979403945]
肺がんサブタイプを多次元・多モード画像で正確に分類するための新しい深層学習ネットワークを提案する。
提案モデルの強みは, 対のCT-病理画像セットと独立のCT画像セットの両方を動的に処理できることにある。
また,ネットワーク学習を通じてモダリティ関係を定量的にマッピングするコントラスト制約モジュールも開発した。
論文 参考訳（メタデータ） (2024-07-18T01:42:00Z) - Dual-stage optimizer for systematic overestimation adjustment applied to
multi-objective genetic algorithms for biomarker selection [0.18648070031379424]
特徴選択法を用いたバイオマーカー同定は,特徴数における予測能力とパシモニーのトレードオフを伴う多目的問題として扱うことができる。
提案するDOSA-MOは多目的最適化ラッパーアルゴリズムで,元の推定値,分散度,および解の特徴セットサイズが過大評価を予測する。
論文 参考訳（メタデータ） (2023-12-27T16:13:14Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-06-15T17:55:05Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳（メタデータ） (2021-07-08T18:01:02Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳（メタデータ） (2021-03-01T01:43:04Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳（メタデータ） (2021-02-26T02:29:30Z) - 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) - Self-Supervised Multimodal Domino: in Search of Biomarkers for
Alzheimer's Disease [19.86082635340699]
自己監督型表現学習アルゴリズムを編成する合理的な方法の分類法を提案する。
まず,おもちゃのマルチモーダルMNISTデータセットのモデルを評価し,アルツハイマー病患者を用いたマルチモーダル・ニューロイメージングデータセットに適用した。
提案手法は,従来の自己教師付きエンコーダデコーダ法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-25T20:28:13Z)
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。