Fugu-MT 論文翻訳(概要): Longitudinal prediction of DNA methylation to forecast epigenetic outcomes

論文の概要: Longitudinal prediction of DNA methylation to forecast epigenetic outcomes

arxiv url: http://arxiv.org/abs/2312.13302v1
Date: Tue, 19 Dec 2023 22:15:27 GMT
ステータス: 処理完了
システム内更新日: 2023-12-22 17:10:36.800073
Title: Longitudinal prediction of DNA methylation to forecast epigenetic outcomes
Title（参考訳）: DNAメチル化の経時的予測とエピジェネティックな結果の予測
Authors: Arthur Leroy, Ai Ling Teh, Frank Dondelinger, Mauricio A. Alvarez, Dennis Wang
Abstract要約: マルチ平均ガウス過程(GP)に基づく確率的・縦断的機械学習フレームワークを提案する。本モデルでは,0～4歳児の出生コホートをトレーニングし,各児のメチル化部位の状態が5～7歳児で正確に予測できることを実証した。このアプローチにより、エピジェネティックな研究は、発達、老化、疾患進行の過程でのエピジェネティックな変化を研究するために、縦断的な設計へと進むことが奨励される。
参考スコア（独自算出の注目度）: 2.5936539522838506
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Interrogating the evolution of biological changes at early stages of life requires longitudinal profiling of molecules, such as DNA methylation, which can be challenging with children. We introduce a probabilistic and longitudinal machine learning framework based on multi-mean Gaussian processes (GPs), accounting for individual and gene correlations across time. This method provides future predictions of DNA methylation status at different individual ages while accounting for uncertainty. Our model is trained on a birth cohort of children with methylation profiled at ages 0-4, and we demonstrated that the status of methylation sites for each child can be accurately predicted at ages 5-7. We show that methylation profiles predicted by multi-mean GPs can be used to estimate other phenotypes, such as epigenetic age, and enable comparison to other health measures of interest. This approach encourages epigenetic studies to move towards longitudinal design for investigating epigenetic changes during development, ageing and disease progression.
Abstract（参考訳）: 生命の初期段階における生物学的変化の進化を妨害するには、DNAメチル化のような長手な分子のプロファイリングが必要である。本稿では,gps(multi-mean gaussian process)に基づく確率的・縦型機械学習フレームワークを提案する。この方法は、不確実性を考慮しつつ、異なる年齢のDNAメチル化状態の将来の予測を提供する。本モデルでは,0～4歳児の出生コホートをトレーニングし,各児のメチル化部位の状態を5～7歳児で正確に予測できることを実証した。マルチ平均GPによって予測されるメチル化プロファイルは、エピジェネティックな年齢などの他の表現型を推定し、他の健康指標と比較できることを示す。このアプローチは、エピジェネティックな研究が発達、老化、疾患の進行の間のエピジェネティックな変化を調査するために、縦断的な設計へと進むことを奨励する。

関連論文リスト

From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [50.80532910808962]
GluFormerは、トランスフォーマーアーキテクチャに基づく生体医学的時間的データの生成基盤モデルである。 GluFormerは5つの地理的領域にまたがる4936人を含む15の異なる外部データセットに一般化されている。今後4年間の健康状態も予測できる。
論文参考訳（メタデータ） (2024-08-20T13:19:06Z)
U-learning for Prediction Inference via Combinatory Multi-Subsampling: With Applications to LASSO and Neural Networks [5.587500517608073]
エピジェネティックな老化時計は、DNAメチル化パターンを調べることによって、個人の生物学的年齢を推定する上で重要な役割を担っている。アンサンブル予測のためのマルチサブラーニングによる新しいUサンプリング手法を提案する。より具体的には、一般化されたU統計学の枠組みにおけるアンサンブル推定器を概念化する。提案手法はLassoとDeep Neural Network(DNN)の2つの一般的な予測アルゴリズムに適用し,広範囲な数値研究による推論の有効性を示す。
論文参考訳（メタデータ） (2024-07-22T00:03:51Z)
BioDiscoveryAgent: An AI Agent for Designing Genetic Perturbation Experiments [112.25067497985447]
そこで,BioDiscoveryAgentを紹介した。このエージェントは,新しい実験を設計し,その結果の理由を明らかにし,仮説空間を効率的にナビゲートし,望ましい解に到達させる。 BioDiscoveryAgentは、機械学習モデルをトレーニングすることなく、新しい実験を独自に設計することができる。 6つのデータセットで関連する遺伝的摂動を予測することで、平均21%の改善が達成されている。
論文参考訳（メタデータ） (2024-05-27T19:57:17Z)
Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文参考訳（メタデータ） (2024-04-26T16:39:50Z)
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)
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)
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)
Neurodevelopmental Phenotype Prediction: A State-of-the-Art Deep Learning Model [0.0]
我々は,新生児の皮質表面データを解析するためにディープニューラルネットワークを適用した。我々の目標は、神経発達のバイオマーカーを特定し、これらのバイオマーカーに基づいて出生時の妊娠年齢を予測することである。
論文参考訳（メタデータ） (2022-11-16T11:15:23Z)
Human Age Estimation from Gene Expression Data using Artificial Neural Networks [27.900947531352983]
本稿では,ヒト皮膚線維芽細胞遺伝子発現データから得られた情報を用いたヒト年齢推定のための新しい枠組みを提案する。実験結果から,最先端の年齢推定手法よりも提案手法が優れていることが示唆された。
論文参考訳（メタデータ） (2021-11-04T08:57:35Z)
An Information-Theoretic Framework for Identifying Age-Related Genes Using Human Dermal Fibroblast Transcriptome Data [0.8122270502556371]
我々は老化に関連する遺伝子を同定するための情報理論フレームワークを開発した。我々はヒト皮膚線維芽細胞遺伝子発現データに教師なしおよび半教師付き学習技術を用いた。教師なし手法と半教師なし手法の両方のパフォーマンス評価は,フレームワークの有効性を示す。
論文参考訳（メタデータ） (2021-11-04T02:41:33Z)
Deep Recurrent Model for Individualized Prediction of Alzheimer's Disease Progression [4.034948808542701]
アルツハイマー病(Alzheimer's disease, AD)は認知症の主要な原因の一つであり、数年間の進行が遅いことが特徴である。本稿では,MRIバイオマーカーの表現型測定と臨床状態の軌跡を予測できる新しい計算フレームワークを提案する。
論文参考訳（メタデータ） (2020-05-06T08:08:00Z)

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。