論文の概要: SeNMo: A Self-Normalizing Deep Learning Model for Enhanced Multi-Omics Data Analysis in Oncology

• arxiv url: http://arxiv.org/abs/2405.08226v1
• Date: Mon, 13 May 2024 22:45:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-15 15:27:38.632364
• Title: SeNMo: A Self-Normalizing Deep Learning Model for Enhanced Multi-Omics Data Analysis in Oncology
• Title（参考訳）: SeNMo: オンコロジーにおけるマルチオミクスデータ解析の強化のための自己正規化深層学習モデル
• Authors: Asim Waqas, Aakash Tripathi, Sabeen Ahmed, Ashwin Mukund, Hamza Farooq, Matthew B. Schabath, Paul Stewart, Mia Naeini, Ghulam Rasool,
• Abstract要約: 本稿では,33種類の癌にまたがるマルチオミクスデータに基づく深層ニューラルネットワークSeNMoを提案する。 SeNMoは、高幅(多くの特徴)と低長(低いサンプル)の属性を特徴とするマルチオミクスデータを扱うのに効率的である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-omics research has enhanced our understanding of cancer heterogeneity and progression. Investigating molecular data through multi-omics approaches is crucial for unraveling the complex biological mechanisms underlying cancer, thereby enabling effective diagnosis, treatment, and prevention strategies. However, predicting patient outcomes through integration of all available multi-omics data is an under-study research direction. Here, we present SeNMo (Self-normalizing Network for Multi-omics), a deep neural network trained on multi-omics data across 33 cancer types. SeNMo is efficient in handling multi-omics data characterized by high-width (many features) and low-length (fewer samples) attributes. We trained SeNMo for the task of overall survival using pan-cancer data involving 33 cancer sites from Genomics Data Commons (GDC). The training data includes gene expression, DNA methylation, miRNA expression, DNA mutations, protein expression modalities, and clinical data. We evaluated the model's performance in predicting overall survival using concordance index (C-Index). SeNMo performed consistently well in training regime, with the validation C-Index of 0.76 on GDC's public data. In the testing regime, SeNMo performed with a C-Index of 0.758 on a held-out test set. The model showed an average accuracy of 99.8% on the task of classifying the primary cancer type on the pan-cancer test cohort. SeNMo proved to be a mini-foundation model for multi-omics oncology data because it demonstrated robust performance, and adaptability not only across molecular data types but also on the classification task of predicting the primary cancer type of patients. SeNMo can be further scaled to any cancer site and molecular data type. We believe SeNMo and similar models are poised to transform the oncology landscape, offering hope for more effective, efficient, and patient-centric cancer care.
• Abstract（参考訳）: マルチオミクス研究は、がんの不均一性と進行の理解を深めた。 マルチオミクスアプローチによる分子データの探索は、がんの根底にある複雑な生物学的メカニズムを解明し、効果的な診断、治療、予防戦略を可能にするために重要である。 しかし、利用可能な全マルチオミクスデータの統合による患者結果の予測は、研究の方向性として研究が進められている。 本稿では,33種類の癌にまたがるマルチオミクスデータに基づいて訓練された深層ニューラルネットワークSeNMo(Self-normalizing Network for Multi-omics)を提案する。 SeNMoは、高幅(多くの特徴)と低長(低いサンプル)の属性を特徴とするマルチオミクスデータを扱うのに効率的である。 我々はSeNMoを,Genomics Data Commons(GDC)の33のがん部位を含む膵臓データを用いて総合生存を訓練した。 トレーニングデータは、遺伝子発現、DNAメチル化、miRNA発現、DNA突然変異、タンパク質発現モダリティ、臨床データを含む。 本研究では,コンコーダンス指標(C-Index)を用いて,全体の生存率を予測する際のモデルの性能を評価した。 SeNMoは、GDCの公開データに対するC-Indexのバリデーション0.76で、トレーニング体制において一貫して良好に動作した。 テスト体制では、SeNMoはホールドアウトテストセットでC-Indexの0.758で実行された。 このモデルでは、膵臓検査コホートにおける原発性がんのタイプを分類する作業において、平均99.8%の精度を示した。 SeNMoは、分子データ型だけでなく、原発性がん型を予測するための分類タスクにも頑健な性能と適応性を示したため、マルチオミクスオンコロジーデータのためのミニ境界モデルであることが判明した。 SeNMoは任意のがん部位と分子データタイプにさらに拡張することができる。 SeNMoと類似のモデルは、腫瘍学の景観を変革し、より効果的で効率よく、患者中心のがん治療を期待していると信じています。

関連論文リスト

• Multi-modal Medical Image Fusion For Non-Small Cell Lung Cancer Classification [7.002657345547741]
  非小細胞肺癌(NSCLC)は、世界中のがん死亡の主な原因である。 本稿では, 融合医療画像(CT, PET)と臨床健康記録, ゲノムデータとを合成する, マルチモーダルデータの革新的な統合について紹介する。 NSCLCの検出と分類精度の大幅な向上により,本研究は既存のアプローチを超越している。
  論文  参考訳（メタデータ） (2024-09-27T12:59:29Z)
• LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
  本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
  論文  参考訳（メタデータ） (2024-08-30T16:26:04Z)
• Embedding-based Multimodal Learning on Pan-Squamous Cell Carcinomas for Improved Survival Outcomes [0.0]
  PARADIGMは、マルチモーダルで異質なデータセットから学習し、臨床結果の予測を改善するフレームワークである。 膵扁平上皮癌においてGNNを訓練し,Moffitt Cancer Center肺SCCデータに対するアプローチを検証した。 我々のソリューションは、患者の状況を包括的に理解することを目的としており、異種データ統合と最大データビューの収束の利点についての洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-11T22:19:14Z)
• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• Gene-MOE: A sparsely gated prognosis and classification framework exploiting pan-cancer genomic information [13.57379781623848]
  そこで本研究では, RNA-seq解析フレームワークであるGene-MOEについて紹介する。 Gene-MOEは、分析精度を高めるために、MOE層とアテンションエキスパート層の混合物のポテンシャルを利用する。 事前訓練を通じて33種類のがんからパンがん情報を統合することで、過度に適合する課題に対処する。
  論文  参考訳（メタデータ） (2023-11-29T07:09:25Z)
• Cancer-Net PCa-Data: An Open-Source Benchmark Dataset for Prostate Cancer Clinical Decision Support using Synthetic Correlated Diffusion Imaging Data [75.77035221531261]
  Cancer-Net PCa-Dataは、PCa患者の画像データであるボリュームCDI$s$のオープンソースベンチマークデータセットである。 Cancer-Net PCa-Dataは、PCa用のCDI$s$画像データの最初の公開データセットである。
  論文  参考訳（メタデータ） (2023-11-20T10:28:52Z)
• Pathology-and-genomics Multimodal Transformer for Survival Outcome Prediction [43.1748594898772]
  大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。 ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。 我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-22T00:59:26Z)
• Deep Orthogonal Fusion: Multimodal Prognostic Biomarker Discovery Integrating Radiology, Pathology, Genomic, and Clinical Data [0.32622301272834525]
  グリオーマ患者の生存率 (OS) を, 深層直交核融合モデルを用いて予測した。 このモデルは、MRI検査、生検に基づくモダリティ、臨床変数から得た情報を総合的なマルチモーダルリスクスコアに組み合わせることを学ぶ。 グリオーマ患者を臨床的サブセット内でOSにより明らかに層分けし、予後不良な臨床グレーディングと分子サブタイプにさらに粒度を付加する。
  論文  参考訳（メタデータ） (2021-07-01T17:59:01Z)
• Topological Data Analysis of copy number alterations in cancer [70.85487611525896]
  癌ゲノム情報に含まれる情報を新しいトポロジに基づくアプローチで捉える可能性を探る。 本手法は, 癌体性遺伝データに有意な低次元表現を抽出する可能性を秘めている。
  論文  参考訳（メタデータ） (2020-11-22T17:31:23Z)
• The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model Learning with Application to Genomic Data Integration [0.0]
  本稿では,異なるタイプのマルチオミックデータを解析するための混合グラフィカルモデルを提案する。 モデル選択結果の計算効率と精度の両面で,本手法が優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-08T16:34:58Z)
• 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)

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。