論文の概要: MIRACLE: Multi-task Learning based Interpretable Regulation of
Autoimmune Diseases through Common Latent Epigenetics
- arxiv url: http://arxiv.org/abs/2306.13866v2
- Date: Thu, 3 Aug 2023 04:34:00 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-04 16:37:09.245970
- Title: MIRACLE: Multi-task Learning based Interpretable Regulation of
Autoimmune Diseases through Common Latent Epigenetics
- Title（参考訳）: MIRACLE:多タスク学習に基づく共通潜伏エピジェネティックスによる自己免疫疾患の解釈制御
- Authors: Pengcheng Xu, Jinpu Cai, Yulin Gao, Ziqi Rong
- Abstract要約: MIRACLEは、複数のデータセットを統合し、DNAメチル化の共通パターンを共同で識別する新しい解釈可能なニューラルネットワークである。
関節リウマチ、全身性エリテマトーデス、多発性硬化症、炎症性腸疾患、乾質症、糖尿病1型を含む6つのデータセットで試験された。
- 参考スコア（独自算出の注目度）: 1.8632273262541308
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: DNA methylation is a crucial regulator of gene transcription and has been
linked to various diseases, including autoimmune diseases and cancers. However,
diagnostics based on DNA methylation face challenges due to large feature sets
and small sample sizes, resulting in overfitting and suboptimal performance. To
address these issues, we propose MIRACLE, a novel interpretable neural network
that leverages autoencoder-based multi-task learning to integrate multiple
datasets and jointly identify common patterns in DNA methylation.
MIRACLE's architecture reflects the relationships between methylation sites,
genes, and pathways, ensuring biological interpretability and meaningfulness.
The network comprises an encoder and a decoder, with a bottleneck layer
representing pathway information as the basic unit of heredity. Customized
defined MaskedLinear Layer is constrained by site-gene-pathway graph adjacency
matrix information, which provides explainability and expresses the
site-gene-pathway hierarchical structure explicitly. And from the embedding,
there are different multi-task classifiers to predict diseases.
Tested on six datasets, including rheumatoid arthritis, systemic lupus
erythematosus, multiple sclerosis, inflammatory bowel disease, psoriasis, and
type 1 diabetes, MIRACLE demonstrates robust performance in identifying common
functions of DNA methylation across different phenotypes, with higher accuracy
in prediction dieseases than baseline methods. By incorporating biological
prior knowledge, MIRACLE offers a meaningful and interpretable framework for
DNA methylation data analysis in the context of autoimmune diseases.
- Abstract（参考訳）: DNAメチル化は遺伝子転写の重要な調節因子であり、自己免疫疾患やがんなど様々な疾患と関連付けられている。
しかし、DNAメチル化に基づく診断は、大きな特徴セットと小さなサンプルサイズのために困難に直面し、過度な適合と準最適性能をもたらす。
これらの問題に対処するために、オートエンコーダに基づくマルチタスク学習を利用して複数のデータセットを統合し、DNAメチル化の共通パターンを共同で識別する新しい解釈可能なニューラルネットワークであるMIRACLEを提案する。
MIRACLEのアーキテクチャはメチル化部位、遺伝子、経路間の関係を反映し、生物学的解釈性と意味性を保証する。
ネットワークは、遺伝の基本的な単位として経路情報を表すボトルネック層を有するエンコーダとデコーダとを備える。
カスタマイズされたマスクドリニア層は、説明可能性を提供し、サイト-ジェネ-パスウェイ階層構造を明示的に表現するsite-gene-pathway graph adjacency matrix情報によって制約される。
そして埋め込みから、病気を予測するための様々なマルチタスク分類器が存在する。
慢性関節リウマチ、全身性エリテマトーデス、多発性硬化症、炎症性腸疾患、乾皮症、MIRACLEの6つのデータセットで試験されたMIRACLEは、異なる表現型間でのDNAメチル化の共通機能を同定する上で、ベースライン法よりも高い精度で、堅牢な性能を示す。
生物学的事前知識を取り入れることで、MIRACLEは自己免疫疾患の文脈において、DNAメチル化データ解析のための有意義で解釈可能なフレームワークを提供する。
関連論文リスト
- MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。
セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
論文 参考訳（メタデータ） (2024-06-12T15:22:56Z) - Highly Accurate Disease Diagnosis and Highly Reproducible Biomarker
Identification with PathFormer [32.26944736442376]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを分析するための主要なディープラーニングモデルである。
課題の根源は、生物学的シグナル伝達経路のユニークなグラフ構造である。
本稿では,バイオマーカーのランク付けと疾患診断の予測のために,シグナルネットワーク,優先知識,オミクスデータを統合した新しいGNNモデルアーキテクチャPathFormerを提案する。
論文 参考訳（メタデータ） (2024-02-11T18:23:54Z) - Must: Maximizing Latent Capacity of Spatial Transcriptomics Data [41.70354088000952]
本稿では,この課題に対処する新しい手法である MuST について述べる。
STデータに含まれるマルチモダリティ情報を一様潜在空間に効果的に統合し、下流の全てのタスクの基礎を提供する。
その結果, 組織やバイオマーカーの構造を正確に同定し, 保存する上で, 既存の最先端手法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） (2024-01-15T09:07:28Z) - GestaltMML: Enhancing Rare Genetic Disease Diagnosis through Multimodal Machine Learning Combining Facial Images and Clinical Texts [8.805728428427457]
本稿では,Transformerアーキテクチャのみに基づくマルチモーダル機械学習(MML)アプローチを提案する。
顔画像、人口統計情報(年齢、性別、民族)、臨床メモを統合して予測精度を向上させる。
論文 参考訳（メタデータ） (2023-12-23T18:40:25Z) - Genetic InfoMax: Exploring Mutual Information Maximization in
High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。
画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。
本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文 参考訳（メタデータ） (2023-09-26T03:59:21Z) - Machine Learning Methods for Cancer Classification Using Gene Expression
Data: A Review [77.34726150561087]
がんは心臓血管疾患の2番目の死因である。
遺伝子発現は癌の早期発見において基本的な役割を担っている。
本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
論文 参考訳（メタデータ） (2023-01-28T15:03:03Z) - Domain Invariant Model with Graph Convolutional Network for Mammogram
Classification [49.691629817104925]
グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。
まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。
マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
論文 参考訳（メタデータ） (2022-04-21T08:23:44Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - A Cross-Level Information Transmission Network for Predicting Phenotype
from New Genotype: Application to Cancer Precision Medicine [37.442717660492384]
本稿では,CLEIT(Cross-Level Information Transmission Network)フレームワークを提案する。
ドメイン適応にインスパイアされたCLEITは、まずハイレベルドメインの潜在表現を学び、その後、接地木埋め込みとして利用する。
体細胞突然変異による抗がん剤感受性の予測におけるCLEITの有効性と性能の向上を示す。
論文 参考訳（メタデータ） (2020-10-09T22:01:00Z) - 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)
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。