Fugu-MT 論文翻訳(概要): Spinal Muscle Atrophy Disease Modelling as Bayesian Network

論文の概要: Spinal Muscle Atrophy Disease Modelling as Bayesian Network

arxiv url: http://arxiv.org/abs/2311.17521v1
Date: Wed, 29 Nov 2023 10:45:27 GMT
ステータス: 処理完了
システム内更新日: 2023-11-30 21:40:44.305750
Title: Spinal Muscle Atrophy Disease Modelling as Bayesian Network
Title（参考訳）: ベイジアンネットワークをモデルとした脊髄筋萎縮症
Authors: Mohammed Ezzat Helal, Manal Ezzat Helal, Sherif Fadel Fahmy
Abstract要約: 本稿では,確率的図形モデルとベイズ推論を用いた疾患モデリングのための分子遺伝子発現研究と公開データベースについて検討する。脊髄筋萎縮性ゲノム関連研究のケーススタディをモデル化し分析した。疾患発生の2段階におけるアップ・アンド・ダウン制御遺伝子は、パブリックドメインで発行された先行知識と関連付けられ、共発現ネットワークが作成・解析される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We investigate the molecular gene expressions studies and public databases for disease modelling using Probabilistic Graphical Models and Bayesian Inference. A case study on Spinal Muscle Atrophy Genome-Wide Association Study results is modelled and analyzed. The genes up and down-regulated in two stages of the disease development are linked to prior knowledge published in the public domain and co-expressions network is created and analyzed. The Molecular Pathways triggered by these genes are identified. The Bayesian inference posteriors distributions are estimated using a variational analytical algorithm and a Markov chain Monte Carlo sampling algorithm. Assumptions, limitations and possible future work are concluded.
Abstract（参考訳）: 確率的グラフィカルモデルとベイズ推論を用いた疾患モデリングのための分子遺伝子発現研究と公開データベースについて検討した。脊髄筋萎縮性ゲノム関連研究のケーススタディをモデル化し分析した。疾患発生の2段階におけるアップ・アンド・ダウン制御遺伝子は、パブリックドメインで発行された先行知識と関連付けられ、共発現ネットワークが作成・解析される。これらの遺伝子によって引き起こされる分子経路が同定される。ベイズ推定の後方分布は変分解析アルゴリズムとマルコフ連鎖モンテカルロサンプリングアルゴリズムを用いて推定される。仮定、限界、将来の仕事の可能性は結論づけられる。

関連論文リスト

Spectral Graph Sample Weighting for Interpretable Sub-cohort Analysis in Predictive Models for Neuroimaging [11.60042534415617]
スペクトル人口グラフの固有基底の線形結合として対象重量をモデル化することを提案する。そうすることで、学習した重量はグラフ全体でスムーズに変化し、高い予測可能性と低い予測可能性を持つサブコホートが強調される。既存の試料重み付け方式と比較して, 試料重み付けは解釈性を改善し, 特徴の異なるサブコホートを強調させる。
論文参考訳（メタデータ） (2024-10-01T16:48:15Z)
Stacked ensemble\-based mutagenicity prediction model using multiple modalities with graph attention network [0.9736758288065405]
変異原性は、様々なネガティブな結果をもたらす遺伝子変異と関連しているため、懸念される。本研究では,新しいアンサンブルに基づく変異原性予測モデルを提案する。
論文参考訳（メタデータ） (2024-09-03T09:14:21Z)
Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文参考訳（メタデータ） (2024-03-02T00:56:05Z)
Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
論文参考訳（メタデータ） (2023-01-07T18:36:44Z)
Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文参考訳（メタデータ） (2022-11-09T14:48:13Z)
rfPhen2Gen: A machine learning based association study of brain imaging phenotypes to genotypes [71.1144397510333]
56個の脳画像QTを用いてSNPを予測する機械学習モデルを学習した。アルツハイマー病(AD)リスク遺伝子APOEのSNPは、ラスソとランダムな森林に対して最低のRMSEを有していた。ランダム・フォレストは、線形モデルによって優先順位付けされなかったが、脳関連疾患と関連があることが知られている追加のSNPを特定した。
論文参考訳（メタデータ） (2022-03-31T20:15:22Z)
Pan-Cancer Integrative Histology-Genomic Analysis via Interpretable Multimodal Deep Learning [4.764927152701701]
14種類のがん患者5,720人のスライド画像,RNA配列,コピー数の変化,および突然変異データを統合する。我々の解釈可能な、弱教師付き、マルチモーダルなディープラーニングアルゴリズムは、これらの不均一なモダリティを融合して結果を予測することができる。本研究は,全ての癌型にまたがる予後予測に寄与する形態学的および分子マーカーを解析する。
論文参考訳（メタデータ） (2021-08-04T20:40:05Z)
A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文参考訳（メタデータ） (2021-06-25T20:09:23Z)
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)
Recent Advances in Network-based Methods for Disease Gene Prediction [15.625526953844638]
ゲノムワイド・アソシエーション研究(GWAS)による疾患遺伝子関連研究は、研究者にとって困難な課題である。代替の低コストの疾患遺伝子関連証拠を研究者に提供するため、計算アプローチが実施される。分子ネットワークは病気の分子間の複雑な相互作用を捉えることができるため、疾患遺伝子関連予測において最も広く使われているデータの一つである。
論文参考訳（メタデータ） (2020-07-19T14:13:38Z)
A Sparse Graph-Structured Lasso Mixed Model for Genetic Association with Confounding Correction [28.364820868064893]
本稿では,特徴量からの関連性情報をデータセットに組み込んだグラフ構造化線形混合モデル(sGLMM)を提案する。提案モデルは他の既存手法よりも優れており,人口構造と共有信号の両方から相関関係をモデル化できることを示す。また、本モデルで発見されたヒトアルツハイマー病の因果遺伝子変異について検討し、最も重要な遺伝子座のいくつかを正当化する。
論文参考訳（メタデータ） (2017-11-11T16:01:53Z)

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。