論文の概要: Orchard: building large cancer phylogenies using stochastic
combinatorial search
- arxiv url: http://arxiv.org/abs/2311.12917v1
- Date: Tue, 21 Nov 2023 18:25:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 17:23:11.731156
- Title: Orchard: building large cancer phylogenies using stochastic
combinatorial search
- Title(参考訳): Orchard:確率的組合せ探索による大きな癌系統の構築
- Authors: E. Kulman, R. Kuang, Q. Morris
- Abstract要約: バルクDNAシークエンシングデータから検出された点変異を用いて癌系統を再構築する高速アルゴリズムOrchardを導入する。
オーチャードは90のシミュレートされた癌と14のB前駆性急性リンパ性白血病(B-ALL)に対する最先端の癌再建法よりも高い系統を再構築する
次に、再構成された系統を用いて突然変異のユニークなグループを推論する単純なグラフベースのクラスタリングアルゴリズムを導入する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Phylogenies depicting the evolutionary history of genetically heterogeneous
subpopulations of cells from the same cancer i.e., cancer phylogenies, provide
useful insights about cancer development and inform treatment. Cancer
phylogenies can be reconstructed using data obtained from bulk DNA sequencing
of multiple tissue samples from the same cancer. We introduce Orchard, a fast
algorithm that reconstructs cancer phylogenies using point mutations detected
in bulk DNA sequencing data. Orchard constructs cancer phylogenies
progressively, one point mutation at a time, ultimately sampling complete
phylogenies from a posterior distribution implied by the bulk DNA data. Orchard
reconstructs more plausible phylogenies than state-of-the-art cancer phylogeny
reconstruction methods on 90 simulated cancers and 14 B-progenitor acute
lymphoblastic leukemias (B-ALLs). These results demonstrate that Orchard
accurately reconstructs cancer phylogenies with up to 300 mutations. We then
introduce a simple graph based clustering algorithm that uses a reconstructed
phylogeny to infer unique groups of mutations i.e., mutation clusters, that
characterize the genetic differences between cancer cell populations, and show
that this approach is competitive with state-of-the-art mutation clustering
methods.
- Abstract(参考訳): 同じがん由来の細胞の遺伝的に異種な亜集団、すなわちがん系統の進化史を描いた系統は、がんの発生と治療に関する有益な知見を提供する。
同じ癌由来の複数の組織サンプルのバルクDNAシークエンシングから得られたデータを用いて、がんの系統を再構築することができる。
バルクDNAシークエンシングデータから検出された点変異を用いて癌系統を再構築する高速アルゴリズムOrchardを導入する。
Orchardはがんの系統を段階的に構築し、一度に1点の突然変異を行い、最終的にバルクDNAデータによって入力された後部分布から完全な系統を抽出する。
orchardは90の模擬癌と14のb-progenitor acute lymphoblastic leukemias (b-alls)に対して、最先端のがんの系統再建法よりも、より説得力のある系統を再構築する。
これらの結果から,orchardは300以上の変異を有する癌系統を正確に再構成できることが示されている。
次に,再構成された系統群を用いて,癌細胞集団間の遺伝的差異を特徴付ける変異集団の特異なグループを推定する単純なグラフベースのクラスタリングアルゴリズムを導入し,このアプローチが最先端の変異クラスタリング手法と競合していることを示す。
関連論文リスト
- Gene-MOE: A sparsely gated prognosis and classification framework
exploiting pan-cancer genomic information [13.57379781623848]
そこで本研究では, RNA-seq解析フレームワークであるGene-MOEについて紹介する。
Gene-MOEは、分析精度を高めるために、MOE層とアテンションエキスパート層の混合物のポテンシャルを利用する。
事前訓練を通じて33種類のがんからパンがん情報を統合することで、過度に適合する課題に対処する。
論文 参考訳(メタデータ) (2023-11-29T07:09:25Z) - 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) - Phylogeny-informed fitness estimation [58.720142291102135]
本研究では, 住民の健康評価を推定するために, フィロジェニーを利用した適合度推定手法を提案する。
以上の結果から, 植物性インフォームドフィットネス推定は, ダウンサンプドレキシケースの欠点を軽減することが示唆された。
この研究は、ランタイム系統解析を利用して進化アルゴリズムを改善するための最初のステップとなる。
論文 参考訳(メタデータ) (2023-06-06T19:05:01Z) - 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) - A Pathologist-Informed Workflow for Classification of Prostate Glands in
Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。
がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。
本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文 参考訳(メタデータ) (2022-09-27T14:08:19Z) - Gene selection from microarray expression data: A Multi-objective PSO
with adaptive K-nearest neighborhood [0.0]
本稿では,遺伝子発現データを用いたヒト癌疾患の分類問題について論じる。
マイクロアレイデータセットを解析し,がん疾患を効果的に分類するための新しい手法を提案する。
論文 参考訳(メタデータ) (2022-05-27T04:22:10Z) - SurvODE: Extrapolating Gene Expression Distribution for Early Cancer
Identification [8.868473888198597]
任意の時点における遺伝子発現分布をシミュレートできる新しい手法を提案する。
我々の可視化結果とさらなる分析は、癌の早期における発現をシミュレートするために、我々の手法をどのように利用できるかを示している。
論文 参考訳(メタデータ) (2021-11-30T02:49:11Z) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳(メタデータ) (2021-02-11T09:04:45Z) - 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) - Low-Rank Reorganization via Proportional Hazards Non-negative Matrix
Factorization Unveils Survival Associated Gene Clusters [9.773075235189525]
この研究において、Cox比例ハザードの回帰は生存制約を課すことでNMFと統合される。
ヒト癌遺伝子の発現データを用いて、提案手法は癌遺伝子の重要なクラスターを解明することができる。
発見された遺伝子クラスターは、豊富な生物学的含意を反映し、生存に関連するバイオマーカーの同定に役立つ。
論文 参考訳(メタデータ) (2020-08-09T17:59:30Z)
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。