論文の概要: Advancing Gene Selection in Oncology: A Fusion of Deep Learning and
Sparsity for Precision Gene Selection
- arxiv url: http://arxiv.org/abs/2403.01927v1
- Date: Mon, 4 Mar 2024 10:44:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 19:07:20.524851
- Title: Advancing Gene Selection in Oncology: A Fusion of Deep Learning and
Sparsity for Precision Gene Selection
- Title(参考訳): 腫瘍学における遺伝子選択の進歩:精密遺伝子選択のためのディープラーニングとスパーシティの融合
- Authors: Akhila Krishna, Ravi Kant Gupta, Pranav Jeevan, Amit Sethi
- Abstract要約: 本稿では,深層学習に基づく生存予測モデルのための2つの遺伝子選択手法を提案する。
第1の戦略はスパース性誘導法を使用し、第2の戦略は重要性に基づく遺伝子選択を用いて関連遺伝子を同定する。
- 参考スコア(独自算出の注目度): 4.093503153499691
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Gene selection plays a pivotal role in oncology research for improving
outcome prediction accuracy and facilitating cost-effective genomic profiling
for cancer patients. This paper introduces two gene selection strategies for
deep learning-based survival prediction models. The first strategy uses a
sparsity-inducing method while the second one uses importance based gene
selection for identifying relevant genes. Our overall approach leverages the
power of deep learning to model complex biological data structures, while
sparsity-inducing methods ensure the selection process focuses on the most
informative genes, minimizing noise and redundancy. Through comprehensive
experimentation on diverse genomic and survival datasets, we demonstrate that
our strategy not only identifies gene signatures with high predictive power for
survival outcomes but can also streamlines the process for low-cost genomic
profiling. The implications of this research are profound as it offers a
scalable and effective tool for advancing personalized medicine and targeted
cancer therapies. By pushing the boundaries of gene selection methodologies,
our work contributes significantly to the ongoing efforts in cancer genomics,
promising improved diagnostic and prognostic capabilities in clinical settings.
- Abstract(参考訳): 遺伝子選択はがん患者の予後予測精度の向上と費用効果の高いゲノムプロファイリングの促進に重要な役割を担っている。
本稿では,深層学習に基づく生存予測モデルのための2つの遺伝子選択戦略を提案する。
第1の戦略はスパース性誘導法を使用し、第2の戦略は重要に基づく遺伝子選択を用いて関連遺伝子を同定する。
我々の全体的なアプローチは、複雑な生物学的データ構造をモデル化する深層学習の力を活用し、疎性誘導法は、選択プロセスが最も有意義な遺伝子に焦点を合わせ、ノイズと冗長性を最小化する。
多様なゲノム・生存データセットの総合的な実験を通じて、我々の戦略は生存率の予測力が高い遺伝子シグネチャを識別するだけでなく、低コストなゲノムプロファイリングのプロセスを合理化できることを示した。
この研究の意義は深く、パーソナライズされた医療や標的がん治療を進化させるためのスケーラブルで効果的なツールを提供する。
本研究は,遺伝子選択法の境界を推し進めることで,がんゲノム学の継続的な取り組みに大きく貢献し,臨床現場における診断・予後能力の向上を約束する。
関連論文リスト
- 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) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳(メタデータ) (2023-10-23T13:35:24Z) - A New Deep Learning and XAI-Based Algorithm for Features Selection in
Genomics [5.787117733071415]
本稿では,ゲノム規模のデータに基づいて特徴選択を行う新しいアルゴリズムを提案する。
慢性リンパ性白血病データセットへの応用の結果は、アルゴリズムの有効性を証明している。
論文 参考訳(メタデータ) (2023-03-29T16:44:13Z) - 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) - Deep Biological Pathway Informed Pathology-Genomic Multimodal Survival
Prediction [7.133948707208067]
本稿では,新しい生物学的経路インフォームド・病理-ゲノム深層モデルであるPONETを提案する。
提案手法は優れた予測性能を達成し,有意義な生物学的解釈を明らかにする。
論文 参考訳(メタデータ) (2023-01-06T05:24:41Z) - Machine Learning Applications for Therapeutic Tasks with Genomics Data [49.98249191161107]
ゲノム学の機械学習応用に関する文献を、治療開発のレンズでレビューします。
治療パイプライン全体にわたるゲノミクス応用における22の機械学習を同定する。
この分野における7つの重要な課題を、拡大と影響の機会として挙げる。
論文 参考訳(メタデータ) (2021-05-03T21:20:20Z) - Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。
本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。
私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
論文 参考訳(メタデータ) (2021-02-11T09:04:45Z) - SimpleChrome: Encoding of Combinatorial Effects for Predicting Gene
Expression [8.326669256957352]
遺伝子のヒストン修飾表現を学習するディープラーニングモデルであるSimpleChromeを紹介します。
このモデルから得られた特徴により、遺伝子間相互作用の潜在効果と標的遺伝子の発現に対する直接遺伝子調節をよりよく理解することができます。
論文 参考訳(メタデータ) (2020-12-15T23:30:36Z) - Using ontology embeddings for structural inductive bias in gene
expression data analysis [6.587739898387445]
がん患者の遺伝子発現レベルに基づいて、診断、生存分析、治療計画を改善することができる。
本稿では,遺伝子発現データから患者の分類作業を行う機械学習システムに,遺伝子に関する生物学的知識を取り入れることを提案する。
論文 参考訳(メタデータ) (2020-11-22T12:13:29Z) - 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)
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。