論文の概要: An Association Test Based on Kernel-Based Neural Networks for Complex
Genetic Association Analysis
- arxiv url: http://arxiv.org/abs/2312.06669v1
- Date: Wed, 6 Dec 2023 05:02:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-15 14:50:43.301492
- Title: An Association Test Based on Kernel-Based Neural Networks for Complex
Genetic Association Analysis
- Title(参考訳): 複雑な遺伝的関連解析のためのカーネルベースニューラルネットワークに基づく連想テスト
- Authors: Tingting Hou, Chang Jiang and Qing Lu
- Abstract要約: 従来のニューラルネットワークと線形混合モデルの強度を相乗化するカーネルベースニューラルネットワークモデル(KNN)を開発した。
MINQUEに基づく遺伝子変異と表現型との結合性を評価する試験。
線形および非線形/非付加的遺伝子効果の評価と解釈のための2つの追加試験。
- 参考スコア(独自算出の注目度): 0.8221435109014762
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The advent of artificial intelligence, especially the progress of deep neural
networks, is expected to revolutionize genetic research and offer unprecedented
potential to decode the complex relationships between genetic variants and
disease phenotypes, which could mark a significant step toward improving our
understanding of the disease etiology. While deep neural networks hold great
promise for genetic association analysis, limited research has been focused on
developing neural-network-based tests to dissect complex genotype-phenotype
associations. This complexity arises from the opaque nature of neural networks
and the absence of defined limiting distributions. We have previously developed
a kernel-based neural network model (KNN) that synergizes the strengths of
linear mixed models with conventional neural networks. KNN adopts a
computationally efficient minimum norm quadratic unbiased estimator (MINQUE)
algorithm and uses KNN structure to capture the complex relationship between
large-scale sequencing data and a disease phenotype of interest. In the KNN
framework, we introduce a MINQUE-based test to assess the joint association of
genetic variants with the phenotype, which considers non-linear and
non-additive effects and follows a mixture of chi-square distributions. We also
construct two additional tests to evaluate and interpret linear and
non-linear/non-additive genetic effects, including interaction effects. Our
simulations show that our method consistently controls the type I error rate
under various conditions and achieves greater power than a commonly used
sequence kernel association test (SKAT), especially when involving non-linear
and interaction effects. When applied to real data from the UK Biobank, our
approach identified genes associated with hippocampal volume, which can be
further replicated and evaluated for their role in the pathogenesis of
Alzheimer's disease.
- Abstract(参考訳): 人工知能の出現、特にディープニューラルネットワークの進歩は、遺伝子研究に革命をもたらし、遺伝子変異体と疾患表現型の間の複雑な関係を解読する前例のない可能性をもたらすことが期待されている。
ディープニューラルネットワークは遺伝子関連解析に大きな可能性を秘めているが、複雑な遺伝子型とフェノタイプを区別する神経ネットワークベースのテストの開発に注力している。
この複雑さは、ニューラルネットワークの不透明な性質と定義された制限分布の欠如から生じる。
我々は以前,従来のニューラルネットワークと線形混合モデルの強度を相乗化するカーネルベースニューラルネットワークモデル(KNN)を開発した。
KNNは計算効率のよい最小ノルム2次非バイアス推定器(MINQUE)アルゴリズムを採用し、KNN構造を用いて大規模シーケンシングデータと関心の病型との関係を捉える。
KNN フレームワークでは,遺伝子変異と表現型との結合性を評価する MINQUE ベースのテストを導入し,非線形および非付加的効果を考慮し,カイ二乗分布の混合に従う。
また、線形および非線形/非付加的遺伝子効果の評価と解釈のための2つの追加試験を構築した。
シミュレーションにより,本手法は様々な条件下でのI型エラー率を一定に制御し,特に非線形および相互作用効果の場合によく用いられるシーケンスカーネルアソシエーションテスト (SKAT) よりも高いパワーを達成することを示す。
イギリスのバイオバンクの実際のデータに適用すると、海馬の体積に関連する遺伝子が同定され、アルツハイマー病の病態におけるその役割がさらに複製され評価された。
関連論文リスト
- Interpreting artificial neural networks to detect genome-wide association signals for complex traits [0.0]
複雑な疾患の遺伝的アーキテクチャを調べることは、遺伝的および環境要因の高度にポリジェニックでインタラクティブな景観のために困難である。
我々は、シミュレーションと実際のジェノタイプ/フェノタイプデータセットの両方を用いて、複雑な特性を予測するために、人工ニューラルネットワークを訓練した。
論文 参考訳(メタデータ) (2024-07-26T15:20:42Z) - A Kernel-Based Neural Network Test for High-dimensional Sequencing Data
Analysis [0.8221435109014762]
シーケンシングデータの複雑な関連解析のための新しいカーネルベースニューラルネットワーク(KNN)テストを導入する。
KNNに基づいて、高次元遺伝データの関心の表現型との結合性を評価するために、ウォルド型試験が導入された。
論文 参考訳(メタデータ) (2023-12-05T16:06:23Z) - 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) - A Sieve Quasi-likelihood Ratio Test for Neural Networks with
Applications to Genetic Association Studies [0.32771631221674324]
そこで本研究では,NNを用いた疑似シーブ様比検定を行い,複雑な関連性をテストするための隠蔽層を1つ提案する。
分布の妥当性をシミュレーションにより検討した。
アルツハイマー病神経画像イニシアチブ(ADNI)のシークエンシングデータの遺伝的アソシエーション解析により,提案試験の有用性を実証する。
論文 参考訳(メタデータ) (2022-12-16T02:54:46Z) - Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a
Polynomial Net Study [55.12108376616355]
NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。
本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。
我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
論文 参考訳(メタデータ) (2022-09-16T06:36:06Z) - 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) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳(メタデータ) (2022-02-01T17:11:13Z) - Deep neural networks with controlled variable selection for the
identification of putative causal genetic variants [0.43012765978447565]
本稿では,遺伝的研究のための可変選択を制御した,アンサンブルを用いた解釈可能なニューラルネットワークモデルを提案する。
本手法の利点は,(1)遺伝的変異の非線形効果を柔軟にモデル化し,統計力を向上させること,(2)誤発見率を厳格に制御するために入力層内の複数のノックオフ,(3)重みパラメータやアクティベーションの数を大幅に減らし,計算効率を向上させること,を含む。
論文 参考訳(メタデータ) (2021-09-29T20:57:48Z) - Persistent Homology Captures the Generalization of Neural Networks
Without A Validation Set [0.0]
本稿では,代数的トポロジー,特に永続的ホモロジーを用いたニューラルネットワークのトレーニングについて考察する。
ニューラルネットワークの単純な複雑な表現を用いて、ニューラルネットワーク学習プロセスにおけるPHダイアグラム距離の進化について検討する。
その結果,連続するニューラルネットワーク状態間のPHダイアグラム距離は,検証精度と相関していることがわかった。
論文 参考訳(メタデータ) (2021-05-31T09:17:31Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳(メタデータ) (2020-07-02T17:55:47Z) - Measuring Model Complexity of Neural Networks with Curve Activation
Functions [100.98319505253797]
本稿では,線形近似ニューラルネットワーク(LANN)を提案する。
ニューラルネットワークのトレーニングプロセスを実験的に検討し、オーバーフィッティングを検出する。
我々は、$L1$と$L2$正規化がモデルの複雑さの増加を抑制することを発見した。
論文 参考訳(メタデータ) (2020-06-16T07:38:06Z)
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。