論文の概要: Cancer Subtype Identification through Integrating Inter and Intra Dataset Relationships in Multi-Omics Data

• arxiv url: http://arxiv.org/abs/2312.02195v1
• Date: Sat, 2 Dec 2023 12:11:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-06 18:35:16.060422
• Title: Cancer Subtype Identification through Integrating Inter and Intra Dataset Relationships in Multi-Omics Data
• Title（参考訳）: マルチオミクスデータの相互・内部関係の統合による癌サブタイプ同定
• Authors: Mark Peelen, Leila Bagheriye, and Johan Kwisthout
• Abstract要約: マルチオミクスデータの統合は、がんなどの複雑な疾患に対する洞察を得るための有望なアプローチとして現れてきた。 本稿では,クラスタリングのためのマルチオミクスデータの統合による癌サブタイプ同定手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integration of multi-omics data has emerged as a promising approach for gaining comprehensive insights into complex diseases such as cancer. This paper proposes a novel approach to identify cancer subtypes through the integration of multi-omics data for clustering. The proposed method, named LIDAF utilises affinity matrices based on linear relationships between and within different omics datasets (Linear Inter and Intra Dataset Affinity Fusion (LIDAF)). Canonical Correlation Analysis is in this paper employed to create distance matrices based on Euclidean distances between canonical variates. The distance matrices are converted to affinity matrices and those are fused in a three-step process. The proposed LIDAF addresses the limitations of the existing method resulting in improvement of clustering performance as measured by the Adjusted Rand Index and the Normalized Mutual Information score. Moreover, our proposed LIDAF approach demonstrates a notable enhancement in 50% of the log10 rank p-values obtained from Cox survival analysis, surpassing the performance of the best reported method, highlighting its potential of identifying distinct cancer subtypes.
• Abstract（参考訳）: マルチオミクスデータの統合は、がんなどの複雑な疾患に対する総合的な洞察を得るための有望なアプローチとして現れてきた。 本稿では,クラスタリングのためのマルチオミクスデータの統合による癌サブタイプ同定手法を提案する。 提案手法は,異なるオミクスデータセット(Linear InterとIntra Dataset Affinity Fusion (LIDAF))間の線形関係に基づいてアフィニティ行列を利用する。 標準相関解析は、標準変数間のユークリッド距離に基づく距離行列を作成するために用いられる。 距離行列は親和性行列に変換され、3段階のプロセスで融合される。 提案したLIDAFは,適応ランダム指数と正規化相互情報スコアによって測定されたクラスタリング性能の向上をもたらす既存手法の限界に対処する。 さらに, lidaf法では, cox生存率分析から得られたlog10ランクp値の50%が, 優れた評価手法の性能を上回り, 特異な癌サブタイプを同定する可能性を強調した。

関連論文リスト

• Empirical Bayes Linked Matrix Decomposition [0.0]
  この問題に対する経験的変分ベイズ的アプローチを提案する。 単一行列文脈において新規な反復的計算手法について述べる。 提案手法は,下層の低ランク信号の回復に関して,異なるシナリオ下で非常によく機能することを示す。
  論文  参考訳（メタデータ） (2024-08-01T02:13:11Z)
• Regularized Projection Matrix Approximation with Applications to Community Detection [1.3761665705201904]
  本稿では,アフィニティ行列からクラスタ情報を復元するための正規化プロジェクション行列近似フレームワークを提案する。 3つの異なるペナルティ関数について検討し, それぞれが有界, 正, スパースシナリオに対応するように調整した。 合成および実世界の両方のデータセットで行った数値実験により、我々の正規化射影行列近似アプローチはクラスタリング性能において最先端の手法を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-05-26T15:18:22Z)
• Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
  本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。 本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
  論文  参考訳（メタデータ） (2024-02-14T16:10:42Z)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• Orthogonalization of data via Gromov-Wasserstein type feedback for clustering and visualization [5.44192123671277]
  直交化プロセスによるデータのクラスタリングと可視化に適応的な手法を提案する。 本手法は,パラメータ値に対して一意な固定点にグローバルに収束することを示す。 本手法は,ヒトの専門的分類と一致して生物学的に意味のあるクラスタリング結果を生成する。
  論文  参考訳（メタデータ） (2022-07-25T15:52:11Z)
• Fusion of Physiological and Behavioural Signals on SPD Manifolds with Application to Stress and Pain Detection [1.9844265130823329]
  マルチモーダルストレス/ペイン認識アプローチは、一般的に異なるモーダルから特徴を独立して抽出する。 本稿では,Symmetric Positive Definite (SPD) 行列を用いたマルチモーダル応力/塗料検出のための新しい幾何学的枠組みを提案する。
  論文  参考訳（メタデータ） (2022-07-17T16:54:24Z)
• Clustering Ensemble Meets Low-rank Tensor Approximation [50.21581880045667]
  本稿では,複数のクラスタリングを組み合わせ,個々のクラスタリングよりも優れたパフォーマンスを実現するクラスタリングアンサンブルの問題について検討する。 本稿では,この問題をグローバルな視点から解くために,新しい低ランクテンソル近似法を提案する。 7つのベンチマークデータセットを用いた実験の結果,提案手法は12の最先端手法と比較して,クラスタリング性能のブレークスルーを達成した。
  論文  参考訳（メタデータ） (2020-12-16T13:01:37Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)
• Saliency-based Weighted Multi-label Linear Discriminant Analysis [101.12909759844946]
  複数ラベルの分類課題を解決するために,LDA(Linear Discriminant Analysis)の新たな変種を提案する。 提案手法は,個々の試料の重量を定義する確率モデルに基づく。 サリエンシに基づく重み付きマルチラベル LDA アプローチは,様々なマルチラベル分類問題の性能改善につながることが示されている。
  論文  参考訳（メタデータ） (2020-04-08T19:40:53Z)

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。

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。