論文の概要: Variational and Explanatory Neural Networks for Encoding Cancer Profiles and Predicting Drug Responses

• arxiv url: http://arxiv.org/abs/2407.04486v1
• Date: Fri, 5 Jul 2024 13:13:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-08 13:30:37.807454
• Title: Variational and Explanatory Neural Networks for Encoding Cancer Profiles and Predicting Drug Responses
• Title（参考訳）: 癌プロファイルのコード化と薬物応答予測のための変分ニューラルネットワーク
• Authors: Tianshu Feng, Rohan Gnanaolivu, Abolfazl Safikhani, Yuanhang Liu, Jun Jiang, Nicholas Chia, Alexander Partin, Priyanka Vasanthakumari, Yitan Zhu, Chen Wang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 40.80133767939435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Human cancers present a significant public health challenge and require the discovery of novel drugs through translational research. Transcriptomics profiling data that describes molecular activities in tumors and cancer cell lines are widely utilized for predicting anti-cancer drug responses. However, existing AI models face challenges due to noise in transcriptomics data and lack of biological interpretability. To overcome these limitations, we introduce VETE (Variational and Explanatory Transcriptomics Encoder), a novel neural network framework that incorporates a variational component to mitigate noise effects and integrates traceable gene ontology into the neural network architecture for encoding cancer transcriptomics data. Key innovations include a local interpretability-guided method for identifying ontology paths, a visualization tool to elucidate biological mechanisms of drug responses, and the application of centralized large scale hyperparameter optimization. VETE demonstrated robust accuracy in cancer cell line classification and drug response prediction. Additionally, it provided traceable biological explanations for both tasks and offers insights into the mechanisms underlying its predictions. VETE bridges the gap between AI-driven predictions and biologically meaningful insights in cancer research, which represents a promising advancement in the field.
• Abstract（参考訳）: ヒトのがんは公衆衛生上の重大な課題を呈し、翻訳研究を通じて新しい薬物の発見を必要とする。 腫瘍および癌細胞株の分子活性を記述した転写学的プロファイリングデータは、抗がん剤の反応を予測するために広く利用されている。 しかし、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。 この制限を克服するため, VETE (Variational and Explanatory Transcriptomics Encoder) を導入し, ノイズ効果を緩和するための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を開発した。 主なイノベーションは、オントロジーパスを識別する局所的解釈可能性誘導法、薬物応答の生物学的メカニズムを解明する可視化ツール、および集中型大規模ハイパーパラメーター最適化の適用である。 VETEは癌細胞株の分類と薬剤反応予測において堅牢な精度を示した。 さらに、両方のタスクにトレース可能な生物学的説明を提供し、その予測の基礎となるメカニズムに関する洞察を提供する。 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。

関連論文リスト

• Controllable Edge-Type-Specific Interpretation in Multi-Relational Graph Neural Networks for Drug Response Prediction [6.798254568821052]
  本稿では,がん治療薬の反応予測アルゴリズムであるCETExplainerを提案する。 制御可能なエッジタイプ固有の重み付け機構を導入し、予測モデルに対して微細で生物学的に意味のある説明を提供する。 実世界のデータセットに関する実証分析は、CETExplainerが優れた安定性を達成し、主要なアルゴリズムと比較して説明品質を向上させることを示した。
  論文  参考訳（メタデータ） (2024-08-30T09:14:38Z)
• 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 methods for prediction of cancer driver genes: a survey paper [1.713291434132985]
  本調査は、機械学習に基づくアプローチを包括的に分析し、がんドライバーの突然変異と遺伝子を同定することを目的とする。 従来,データ型とMLアルゴリズム間の相互作用について検討してきた。 MLがもたらす分野における重要な発展に読者がより親しみやすくすることで、オープンな問題に対処し、がんドライバーの発見に向けて知識を前進させることを、新たな研究者に促すことを願っている。
  論文  参考訳（メタデータ） (2021-09-28T13:00:07Z)
• Interpretable Drug Synergy Prediction with Graph Neural Networks for Human-AI Collaboration in Healthcare [23.151336811933938]
  本研究は,遺伝子と薬物の結合予測における遺伝子と薬物の制御関係を組み込むディープグラフニューラルネットワーク(IDSP)を提案する。 idspは遺伝子と薬物ノードの関係に基づいてエッジの重みを自動的に多層パーセプトロン(mlp)で学習し、インダクティブな方法で情報を集約する。 46種類のコアがんシグナル伝達経路の遺伝子と、NCIアルマナックの薬物併用スクリーニングデータからの薬物併用によるシグナルネットワーク上でIDWSPをテストします。
  論文  参考訳（メタデータ） (2021-05-14T22:20:29Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• 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)

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。