Fugu-MT 論文翻訳(概要): LncRNA-disease association prediction method based on heterogeneous information completion and convolutional neural network

論文の概要: LncRNA-disease association prediction method based on heterogeneous information completion and convolutional neural network

arxiv url: http://arxiv.org/abs/2406.03406v1
Date: Sun, 2 Jun 2024 06:11:27 GMT
ステータス: 処理完了
システム内更新日: 2024-06-06 17:22:00.345050
Title: LncRNA-disease association prediction method based on heterogeneous information completion and convolutional neural network
Title（参考訳）: 異種情報補完と畳み込みニューラルネットワークに基づくLncRNA-解離関連予測法
Authors: Wen-Yu Xi, Juan Wang, Yu-Lin Zhang, Jin-Xing Liu, Yin-Lian Gao,
Abstract要約: lncRNA-disease associations (LDAs) の精度は、疾患の警告と治療に非常に重要である。本稿では, HCNNLDA と命名されたlncRNA-解離関連予測に対して, 異種ネットワークと畳み込みニューラルネットワーク(CNN)に基づくディープラーニングモデルを提案する。実験結果から,提案モデルがいくつかの最新の予測モデルよりも優れた性能を示した。
参考スコア（独自算出の注目度）: 9.17998537192211
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The emerging research shows that lncRNA has crucial research value in a series of complex human diseases. Therefore, the accurate identification of lncRNA-disease associations (LDAs) is very important for the warning and treatment of diseases. However, most of the existing methods have limitations in identifying nonlinear LDAs, and it remains a huge challenge to predict new LDAs. In this paper, a deep learning model based on a heterogeneous network and convolutional neural network (CNN) is proposed for lncRNA-disease association prediction, named HCNNLDA. The heterogeneous network containing the lncRNA, disease, and miRNA nodes, is constructed firstly. The embedding matrix of a lncRNA-disease node pair is constructed according to various biological premises about lncRNAs, diseases, and miRNAs. Then, the low-dimensional feature representation is fully learned by the convolutional neural network. In the end, the XGBoot classifier model is trained to predict the potential LDAs. HCNNLDA obtains a high AUC value of 0.9752 and AUPR of 0.9740 under the 5-fold cross-validation. The experimental results show that the proposed model has better performance than that of several latest prediction models. Meanwhile, the effectiveness of HCNNLDA in identifying novel LDAs is further demonstrated by case studies of three diseases. To sum up, HCNNLDA is a feasible calculation model to predict LDAs.
Abstract（参考訳）: 新たな研究は、lncRNAが複雑なヒトの疾患のシリーズにおいて重要な研究価値を持っていることを示している。したがって、lncRNA-disease associations (LDAs) の正確な同定は、疾患の警告と治療にとって非常に重要である。しかし,既存の手法の多くは非線形LDAの同定に限界があり,新しいLDAの予測には大きな課題が残されている。本稿では, HCNNLDA と命名されたlncRNA-解離関連予測に対して, 異種ネットワークと畳み込みニューラルネットワーク(CNN)に基づくディープラーニングモデルを提案する。 lncRNA、疾患、およびmiRNAノードを含む異種ネットワークを最初に構築する。 lncRNA-解離ノード対の埋め込みマトリックスは、lncRNA、疾患、miRNAに関する様々な生物学的前提に従って構築される。そして、低次元特徴表現は畳み込みニューラルネットワークによって完全に学習される。最終的に、XGBoot分類モデルは潜在的なLDAを予測するために訓練される。 HCNNLDAは、5倍のクロスバリデーションの下で高いAUC値 0.9752 と AUPR 0.9740 を得る。実験結果から,提案モデルがいくつかの最新の予測モデルよりも優れた性能を示した。一方,新しいLDAの同定におけるHCNNLDAの有効性は,3つの疾患のケーススタディにより明らかにされた。 HCNNLDAはLDAを予測するための計算モデルである。

関連論文リスト

Variational and Explanatory Neural Networks for Encoding Cancer Profiles and Predicting Drug Responses [40.80133767939435]
既存のAIモデルは、転写学データのノイズと生物学的解釈性の欠如により、課題に直面している。ノイズ効果を軽減するために変動成分を組み込んだ新しいニューラルネットワークフレームワークVETEを紹介する。 VETEは、AIによる予測と、がん研究における生物学的に意味のある洞察のギャップを埋める。
論文参考訳（メタデータ） (2024-07-05T13:13:02Z)
Heterogeneous network and graph attention auto-encoder for LncRNA-disease association prediction [11.73181429989457]
本研究は、lncRNAと疾患の特徴を構築するために、バイオメディカルデータの複数のソースを十分に活用する。 HGATELDAと呼ばれるグラフアテンション自動エンコーダに基づく新しいディープラーニングモデルを提案する。 HGATELDAモデルは、5倍のクロスバリデーションを用いて評価すると、印象的なAUC値0.9692を達成する。
論文参考訳（メタデータ） (2024-05-03T02:15:05Z)
The Identification and Categorization of Anemia Through Artificial Neural Networks: A Comparative Analysis of Three Models [0.0]
本稿では、貧血の診断と分類のための異なるニューラルネットワークベースのアルゴリズムを提案する。提案したニューラルネットワークは、9つの入力(年齢、性別、RBC、HGB、HCT、MCV、MCH、MCHC、WBC)と1つの出力を含む。多様な患者に対するシミュレーションの結果から,提案する人工ニューラルネットワークが疾患の存在を迅速かつ正確に検出できることが示されている。
論文参考訳（メタデータ） (2024-04-06T17:37:45Z)
An Association Test Based on Kernel-Based Neural Networks for Complex Genetic Association Analysis [0.8221435109014762]
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。
論文参考訳（メタデータ） (2023-12-06T05:02:28Z)
Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文参考訳（メタデータ） (2023-10-02T03:25:32Z)
SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文参考訳（メタデータ） (2022-04-20T17:28:08Z)
FCM-DNN: diagnosing coronary artery disease by deep accuracy Fuzzy C-Means clustering model [0.5340189314359047]
提案したFCM-DNNモデルは99.91%の精度で10個のクラスタ、すなわち健康な被験者に5個のクラスタ、病気患者に5個のクラスタを特定できる。その結果,提案したFCM-DNNモデルが科学・研究センターに有用であることが確認された。
論文参考訳（メタデータ） (2022-02-09T06:41:44Z)
Spiking Neural Networks -- Part II: Detecting Spatio-Temporal Patterns [38.518936229794214]
スパイキングニューラルネットワーク(SNN)は、符号化された時間信号で情報を検出するユニークな能力を持つ。 SNNをリカレントニューラルネットワーク(RNN)とみなす支配的アプローチのためのモデルとトレーニングアルゴリズムについてレビューする。スパイキングニューロンの確率モデルに頼り、勾配推定による局所学習規則の導出を可能にする別のアプローチについて述べる。
論文参考訳（メタデータ） (2020-10-27T11:47:42Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Deep Belief Network based representation learning for lncRNA-disease association prediction [0.0]
lncRNA-解離関連を正確に同定することは、lncRNAの機能と疾患機構を理解するのに不可欠である。近年,生物学的ネットワーク解析において,ネットワーク特徴の潜在表現を学習するために,ディープ信頼ネットワーク (DBN) が用いられている。本稿では,DBNをベースとしたlncRNA-解離関連予測モデル(DBNLDA)を提案する。
論文参考訳（メタデータ） (2020-06-22T18:05:28Z)
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。