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

• Predicting loss-of-function impact of genetic mutations: a machine learning approach [0.0]
  本稿では,遺伝子変異の属性に基づいて機械学習モデルを学習し,LoFtoolスコアを予測することを目的とする。 これらの属性には、染色体上の突然変異の位置、アミノ酸の変化、変異によって引き起こされるコドンの変化が含まれていた。 モデルは, 平均2乗誤差, 平均2乗誤差, 平均2乗誤差, 平均絶対誤差, 説明分散の5倍のクロスバリデード平均を用いて評価した。
  論文  参考訳（メタデータ） (2024-01-26T19:27:38Z)
• 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)
• PhyloGFN: Phylogenetic inference with generative flow networks [57.104166650526416]
  本稿では,系統学における2つの中核的問題に対処するための生成フローネットワーク(GFlowNets)の枠組みを紹介する。 GFlowNetsは複雑な構造をサンプリングするのに適しているため、木トポロジー上の多重モード後部分布を探索し、サンプリングするのに自然な選択である。 我々は, 実際のベンチマークデータセット上で, 様々な, 高品質な進化仮説を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-10-12T23:46:08Z)
• 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)
• EvoVGM: A Deep Variational Generative Model for Evolutionary Parameter Estimation [0.0]
  本研究では,局所生物学的進化パラメータの真後部を共同で近似した深部変分ベイズ生成モデルを提案する。 本研究では,いくつかの進化シナリオと実際のウイルス配列アライメントをシミュレートした合成配列アライメントにおける手法の一貫性と有効性を示す。
  論文  参考訳（メタデータ） (2022-05-25T20:08:10Z)
• Inference for High Dimensional Censored Quantile Regression [8.993036560782137]
  本稿では,グローバルに検閲された量子レグレッションの枠組みの中で,すべての予測子を推論する新しい手法を提案する。 提案手法は,高次元設定における推定の不確かさを適切に定量化できることを示す。 肺がん経路に居住するSNPが患者の生存に及ぼす影響を解析するために本法を適用した。
  論文  参考訳（メタデータ） (2021-07-22T23:57:06Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)
• 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)
• Correlated Mixed Membership Modeling of Somatic Mutations [0.0]
  癌は生物学的に冗長であるため、有効な患者治療のための全ての突然変異セットを特定することが重要である。 がん体性突然変異プロファイルの最近の研究は、パーソナライズドメディカルにおける標的治療のための突然変異を同定しようとしている。 本稿では, 潜伏表現による体性突然変異プロファイルの固有構造を推測するゼロインフレーション負二項過程を提案する。
  論文  参考訳（メタデータ） (2020-05-21T21:52:35Z)

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。