論文の概要: An end-to-end framework for gene expression classification by integrating a background knowledge graph: application to cancer prognosis prediction

• arxiv url: http://arxiv.org/abs/2306.17202v1
• Date: Thu, 29 Jun 2023 11:20:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-03 14:32:50.036372
• Title: An end-to-end framework for gene expression classification by integrating a background knowledge graph: application to cancer prognosis prediction
• Title（参考訳）: 背景知識グラフの統合による遺伝子発現分類のエンドツーエンドフレームワーク:癌予後予測への応用
• Authors: Kazuma Inoue, Ryosuke Kojima, Mayumi Kamada, Yasushi Okuno
• Abstract要約: 我々は、一次データの分類モデルを構築するために、二次データを扱うエンドツーエンドフレームワークを提案した。 我々はこの枠組みを,遺伝子発現データと生物学的ネットワークを用いた癌予後予測に応用した。
• 参考スコア（独自算出の注目度）: 1.5484595752241122
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Biological data may be separated into primary data, such as gene expression, and secondary data, such as pathways and protein-protein interactions. Methods using secondary data to enhance the analysis of primary data are promising, because secondary data have background information that is not included in primary data. In this study, we proposed an end-to-end framework to integrally handle secondary data to construct a classification model for primary data. We applied this framework to cancer prognosis prediction using gene expression data and a biological network. Cross-validation results indicated that our model achieved higher accuracy compared with a deep neural network model without background biological network information. Experiments conducted in patient groups by cancer type showed improvement in ROC-area under the curve for many groups. Visualizations of high accuracy cancer types identified contributing genes and pathways by enrichment analysis. Known biomarkers and novel biomarker candidates were identified through these experiments.
• Abstract（参考訳）: 生物学的データは遺伝子発現などの一次データと、経路やタンパク質間相互作用などの二次データに分けられる。 二次データが一次データに含まれない背景情報を持っているため、二次データを用いて一次データの解析を強化する手法は有望である。 本研究では,プライマリデータの分類モデルを構築するために,セカンダリデータの統合処理を行うエンドツーエンドフレームワークを提案する。 この枠組みを遺伝子発現データと生物学的ネットワークを用いて癌予後予測に適用した。 相互評価の結果,生体情報を持たない深層ニューラルネットワークモデルと比較して高い精度が得られた。 がんタイプによる患者群で行った実験では,多くの群で ROC-area の改善が認められた。 エンリッチメント解析による貢献遺伝子と経路を同定した高精度癌型の可視化 既知のバイオマーカーと新しいバイオマーカー候補はこれらの実験によって同定された。

関連論文リスト

• 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)
• 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)
• 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)
• Graph Neural Networks for Breast Cancer Data Integration [0.0]
  本稿では,ガンデータモダリティをグラフとして統合し,次にグラフニューラルネットワークを適用する3つのステップからなる新しい学習パイプラインを提案する。 このプロジェクトは、がんデータ理解を改善する可能性があり、正規データセットからグラフ型データへの移行を促進する。
  論文  参考訳（メタデータ） (2022-11-28T17:10:19Z)
• Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
  低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。 半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
  論文  参考訳（メタデータ） (2021-10-12T16:25:50Z)
• 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)
• Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
  癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。 本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-11-22T17:31:23Z)
• Using ontology embeddings for structural inductive bias in gene expression data analysis [6.587739898387445]
  がん患者の遺伝子発現レベルに基づいて、診断、生存分析、治療計画を改善することができる。 本稿では,遺伝子発現データから患者の分類作業を行う機械学習システムに,遺伝子に関する生物学的知識を取り入れることを提案する。
  論文  参考訳（メタデータ） (2020-11-22T12:13:29Z)
• 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。