論文の概要: A deep learning pipeline for cross-sectional and longitudinal multiview data integration

• arxiv url: http://arxiv.org/abs/2312.01238v1
• Date: Sat, 2 Dec 2023 22:24:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 18:31:06.978919
• Title: A deep learning pipeline for cross-sectional and longitudinal multiview data integration
• Title（参考訳）: 横断的および縦型マルチビューデータ統合のためのディープラーニングパイプライン
• Authors: Sarthak Jain and Sandra E. Safo
• Abstract要約: 複数のソースからの断面データと縦データを統合するパイプラインを開発した。 線形および非線形手法を用いた変数選択/ランク付け、機能主成分分析とオイラー特性を用いた特徴抽出、高密度フィードフォワードネットワークと繰り返しニューラルネットワークを用いた結合積分と分類を含む。 炎症性腸疾患 (IBD) 研究から, このパイプラインを横断的および縦断的マルチオミクスデータ(メタゲノミクス, トランスクリプトミクス, メタボロミクス)に応用し, IBDの状態を識別する微生物経路, 代謝産物, 遺伝子を同定した。
• 参考スコア（独自算出の注目度）: 7.424942475653412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biomedical research now commonly integrates diverse data types or views from the same individuals to better understand the pathobiology of complex diseases, but the challenge lies in meaningfully integrating these diverse views. Existing methods often require the same type of data from all views (cross-sectional data only or longitudinal data only) or do not consider any class outcome in the integration method, presenting limitations. To overcome these limitations, we have developed a pipeline that harnesses the power of statistical and deep learning methods to integrate cross-sectional and longitudinal data from multiple sources. Additionally, it identifies key variables contributing to the association between views and the separation among classes, providing deeper biological insights. This pipeline includes variable selection/ranking using linear and nonlinear methods, feature extraction using functional principal component analysis and Euler characteristics, and joint integration and classification using dense feed-forward networks and recurrent neural networks. We applied this pipeline to cross-sectional and longitudinal multi-omics data (metagenomics, transcriptomics, and metabolomics) from an inflammatory bowel disease (IBD) study and we identified microbial pathways, metabolites, and genes that discriminate by IBD status, providing information on the etiology of IBD. We conducted simulations to compare the two feature extraction methods. The proposed pipeline is available from the following GitHub repository: https://github.com/lasandrall/DeepIDA-GRU.
• Abstract（参考訳）: バイオメディカルリサーチは現在、複雑な疾患の病態をよりよく理解するために、同じ個人からの多様なデータタイプやビューを統合するのが一般的だが、課題はこれらの多様な見解を有意義に統合することにある。 既存のメソッドでは、すべてのビュー(クロスセクションデータのみまたは縦データのみ)から同じタイプのデータを必要とする場合が多いし、統合メソッドのいかなるクラスの結果も考慮していないため、制限がある。 これらの制約を克服するために,統計・深層学習手法のパワーを活用したパイプラインを開発し,複数ソースからの横断データと縦データの統合を行った。 さらに、ビューとクラス間の分離の関係に寄与する重要な変数を特定し、より深い生物学的洞察を提供する。 本パイプラインは、線形および非線形手法を用いた可変選択/順位付け、機能主成分分析とオイラー特性を用いた特徴抽出、高密度フィードフォワードネットワークとリカレントニューラルネットワークを用いた統合および分類を含む。 Inflammatory bowel disease (IBD) による横断的, 縦断的マルチオミクスデータ(メタノミクス, トランスクリプトミクス, メタボミクス)にこのパイプラインを適用し, IBDの病因を識別する微生物経路, 代謝産物, 遺伝子を同定し, IBDの病因に関する情報を提供した。 2つの特徴抽出法を比較するためにシミュレーションを行った。 提案されたパイプラインは、以下のGitHubリポジトリから利用できる。

関連論文リスト

• FORESEE: Multimodal and Multi-view Representation Learning for Robust Prediction of Cancer Survival [3.4686401890974197]
  マルチモーダル情報のマイニングにより患者生存を確実に予測する新しいエンドツーエンドフレームワークFOESEEを提案する。 クロスフュージョントランスフォーマーは、細胞レベル、組織レベル、腫瘍の不均一度レベルの特徴を効果的に利用し、予後を相関させる。 ハイブリットアテンションエンコーダ(HAE)は、コンテキストアテンションモジュールを用いて、コンテキスト関係の特徴を取得する。 また、モダリティ内の損失情報を再構成する非対称マスク型3重マスク型オートエンコーダを提案する。
  論文  参考訳（メタデータ） (2024-05-13T12:39:08Z)
• 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)
• 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)
• GeoTop: Advancing Image Classification with Geometric-Topological Analysis [0.0]
  トポロジカルデータ解析とリプシッツ・キリング曲線は特徴抽出と分類のための強力なツールとして使用される。 両手法を組み合わせて分類精度を向上させる可能性について検討する。 このアプローチは、様々な生体医学応用における複雑な生物学的プロセスの理解を深める可能性がある。
  論文  参考訳（メタデータ） (2023-11-08T23:38:32Z)
• CLCLSA: Cross-omics Linked embedding with Contrastive Learning and Self Attention for multi-omics integration with incomplete multi-omics data [47.2764293508916]
  不均一・高次元マルチオミクスデータの統合は、遺伝データの理解においてますます重要になっている。 マルチオミクスデータ統合を行う際に直面する障害のひとつは、機器の感度とコストによる未ペアリングマルチオミクスデータの存在である。 クロスオミクスを用いたマルチオミクス統合のための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-12T00:22:18Z)
• Interpretable Deep Learning Methods for Multiview Learning [7.369639553849422]
  iDeepViewLearnは複数のビューからデータの非線形関係を学習する手法である。 深層ニューラルネットワークは、ビュー非依存の低次元埋め込みを学習するために使用される。 iDeepViewLearnは、乳がん関連遺伝子の発現とメチル化データを含む、2つの実世界のデータでテストされている。
  論文  参考訳（メタデータ） (2023-02-15T20:11:25Z)
• 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)
• 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)
• A Pipeline for Integrated Theory and Data-Driven Modeling of Genomic and Clinical Data [5.921993992338802]
  統合ゲノムおよび臨床データからの知識発見のためのパイプラインを提案する。 このパイプラインが乳がんの予後予測モデルをどのように改善するかを実証し、生物学的に解釈可能なシークエンシングデータのビューを提供する。
  論文  参考訳（メタデータ） (2020-05-05T22:23:27Z)
• MS-Net: Multi-Site Network for Improving Prostate Segmentation with Heterogeneous MRI Data [75.73881040581767]
  本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。 当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2020-02-09T14:11:50Z)

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。