論文の概要: Supervised Multiple Kernel Learning approaches for multi-omics data integration

• arxiv url: http://arxiv.org/abs/2403.18355v1
• Date: Wed, 27 Mar 2024 08:48:16 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-28 17:47:16.973620
• Title: Supervised Multiple Kernel Learning approaches for multi-omics data integration
• Title（参考訳）: マルチオミクスデータ統合のための教師付き多重カーネル学習手法
• Authors: Mitja Briscik, Gabriele Tazza, Marie-Agnes Dillies, László Vidács, Sébastien Dejean,
• Abstract要約: マルチカーネル学習(MKL)は、マルチオミクス入力の多様な性質を考える上で、柔軟で有効なアプローチであることが示されている。 我々は、異なるカーネル融合戦略に基づく新しいMKLアプローチを提供する。 その結果、MKLベースのモデルは、より複雑で最先端の教師付きマルチオミクス積分アプローチと競合することを示した。
• 参考スコア（独自算出の注目度）: 1.3032276477872158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advances in high-throughput technologies have originated an ever-increasing availability of omics datasets. The integration of multiple heterogeneous data sources is currently an issue for biology and bioinformatics. Multiple kernel learning (MKL) has shown to be a flexible and valid approach to consider the diverse nature of multi-omics inputs, despite being an underused tool in genomic data mining.We provide novel MKL approaches based on different kernel fusion strategies.To learn from the meta-kernel of input kernels, we adaptedunsupervised integration algorithms for supervised tasks with support vector machines.We also tested deep learning architectures for kernel fusion and classification.The results show that MKL-based models can compete with more complex, state-of-the-art, supervised multi-omics integrative approaches. Multiple kernel learning offers a natural framework for predictive models in multi-omics genomic data. Our results offer a direction for bio-data mining research and further development of methods for heterogeneous data integration.
• Abstract（参考訳）: 高スループット技術の進歩は、オミクスデータセットが継続的に利用できるようになることに端を発している。 複数の異種データソースの統合は、現在は生物学とバイオインフォマティクスの課題である。 マルチカーネル学習(MKL)は、ゲノムデータマイニングにおいて未使用のツールであるにもかかわらず、マルチオミクス入力の多様な性質を考慮したフレキシブルで有効な手法であることが示されており、我々は、異なるカーネル融合戦略に基づく新しいMKLアプローチを提供し、入力カーネルのメタカーネルから学習するために、サポートベクターマシンを用いた教師付きタスクのための教師付き統合アルゴリズムを適応させ、カーネル融合と分類のためのディープラーニングアーキテクチャもテストした。 マルチカーネル学習は、マルチオミクスゲノムデータの予測モデルに自然なフレームワークを提供する。 本研究は, バイオデータマイニング研究の方向性と, 異種データ統合手法のさらなる開発について述べる。

関連論文リスト

• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• 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)
• HEALNet: Multimodal Fusion for Heterogeneous Biomedical Data [10.774128925670183]
  本稿では,フレキシブルなマルチモーダル融合アーキテクチャであるHybrid Early-fusion Attention Learning Network (HEALNet)を提案する。 The Cancer Genome Atlas (TCGA) の4つのがんデータセットにおける全スライド画像と多モードデータを用いたマルチモーダルサバイバル解析を行った。 HEALNetは、他のエンドツーエンドの訓練された融合モデルと比較して最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-11-15T17:06:26Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• 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)
• Multimodal Data Integration for Oncology in the Era of Deep Neural Networks: A Review [0.0]
  多様なデータ型を統合することで、がんの診断と治療の精度と信頼性が向上する。 ディープニューラルネットワークは、洗練されたマルチモーダルデータ融合アプローチの開発を促進する。 グラフニューラルネットワーク(GNN)やトランスフォーマーといった最近のディープラーニングフレームワークは、マルチモーダル学習において顕著な成功を収めている。
  論文  参考訳（メタデータ） (2023-03-11T17:52:03Z)
• CustOmics: A versatile deep-learning based strategy for multi-omics integration [0.0]
  本稿では,高次元マルチソース統合の場合のデータセットに適応する,カスタマイズ可能なオートエンコーダモデルを構築するための新しい戦略を提案する。 我々は,統合戦略が潜在表現に与える影響を評価し,新しい手法であるCustOmicsを提案する最善の戦略を組み合わせる。
  論文  参考訳（メタデータ） (2022-09-12T14:20:29Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)
• A generalized kernel machine approach to identify higher-order composite effects in multi-view datasets [4.579719459619913]
  マルチビューバイオメディカルデータセットにおける高次合成効果を同定するための新しいカーネルマシン手法を提案する。 提案手法は,高次合成効果を効果的に同定し,協調作業において対応する特徴が機能することを示唆する。
  論文  参考訳（メタデータ） (2020-04-29T08:56:02Z)

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。