論文の概要: UnPaSt: unsupervised patient stratification by differentially expressed biclusters in omics data
- arxiv url: http://arxiv.org/abs/2408.00200v1
- Date: Wed, 31 Jul 2024 23:50:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-04 22:04:56.520877
- Title: UnPaSt: unsupervised patient stratification by differentially expressed biclusters in omics data
- Title（参考訳）: UnPaSt:オミクスデータにおける差分表現二クラスターによる教師なし患者の層序化
- Authors: Michael Hartung, Andreas Maier, Fernando Delgado-Chaves, Yuliya Burankova, Olga I. Isaeva, Fábio Malta de Sá Patroni, Daniel He, Casey Shannon, Katharina Kaufmann, Jens Lohmann, Alexey Savchik, Anne Hartebrodt, Zoe Chervontseva, Farzaneh Firoozbakht, Niklas Probul, Evgenia Zotova, Olga Tsoy, David B. Blumenthal, Martin Ester, Tanja Laske, Jan Baumbach, Olga Zolotareva,
- Abstract要約: UnPaStは、オーミックデータセットにおいて、生物学的に見識があり再現可能な多くのパターンを検出することができる。
UnPaStは主要な乳癌の亜型を検出でき、Th2高喘息はわずかしか特定されておらず、UnPaStは両テストデータセットにおいて最も近い競合相手よりも著しく優れていた。
- 参考スコア（独自算出の注目度）: 32.56524607427561
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most complex diseases, including cancer and non-malignant diseases like asthma, have distinct molecular subtypes that require distinct clinical approaches. However, existing computational patient stratification methods have been benchmarked almost exclusively on cancer omics data and only perform well when mutually exclusive subtypes can be characterized by many biomarkers. Here, we contribute with a massive evaluation attempt, quantitatively exploring the power of 22 unsupervised patient stratification methods using both, simulated and real transcriptome data. From this experience, we developed UnPaSt (https://apps.cosy.bio/unpast/) optimizing unsupervised patient stratification, working even with only a limited number of subtype-predictive biomarkers. We evaluated all 23 methods on real-world breast cancer and asthma transcriptomics data. Although many methods reliably detected major breast cancer subtypes, only few identified Th2-high asthma, and UnPaSt significantly outperformed its closest competitors in both test datasets. Essentially, we showed that UnPaSt can detect many biologically insightful and reproducible patterns in omic datasets.
- Abstract（参考訳）: 喘息のような癌や非悪性疾患を含むほとんどの複雑な疾患は、異なる臨床的アプローチを必要とする異なる分子サブタイプを持つ。
しかし、既存の計算患者階層化手法は、がんオミクスデータにのみベンチマークされ、互いに排他的なサブタイプが多くのバイオマーカーによって特徴づけられる場合にのみ、うまく機能する。
そこで本研究では,シミュレーションデータと実際の転写産物データの両方を用いて,22の教師なし患者階層化手法のパワーを定量的に検討する,大規模な評価の試みを行った。
この経験から,UnPaSt (https://apps.cosy.bio/unpast/) は,少数のサブタイプ予測バイオマーカーでのみ機能し,教師なし患者の階層化を最適化する。
実際の乳癌および喘息検診データに対する23の方法について検討した。
多くの方法が乳がんの亜型を確実に検出したが、Th2高喘息とUnPaStは両テストデータセットにおいて最も近い競合相手よりも有意に優れていた。
以上の結果から,UnPaStは生化学的に洞察に富んだ,再現可能な多くのパターンを検出できることが示唆された。
関連論文リスト
- Biomarker based Cancer Classification using an Ensemble with Pre-trained Models [2.2436844508175224]
マルチクラス分類タスクに対して,事前学習したハイパーファストモデル,XGBoost,LightGBMを組み合わせた新しいアンサンブルモデルを提案する。
我々はメタトレーニングしたハイパーファストモデルを用いてがんの分類を行い、AUCは0.9929である。
また,事前学習したハイパーファストモデル,XGBoost,LightGBMを多クラス分類タスクに組み合わせた新しいアンサンブルモデルを提案し,精度を漸進的に向上させる(0.9464)。
論文 参考訳（メタデータ） (2024-06-14T14:43:59Z) - MoCLIM: Towards Accurate Cancer Subtyping via Multi-Omics Contrastive
Learning with Omics-Inference Modeling [9.900594964709116]
我々は癌サブタイプのための表現学習フレームワークであるMoCLIMを開発した。
その結果,本手法は,高次元癌症例の少ない症例において,データ適合性やサブタイプ性能を著しく向上させることが示唆された。
本フレームワークは, 各種医療評価を最終要素として含み, 医療分析における高い解釈可能性を提供する。
論文 参考訳（メタデータ） (2023-08-17T10:49:48Z) - Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。
グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。
当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
論文 参考訳（メタデータ） (2022-04-22T17:27:00Z) - Cancer Subtyping via Embedded Unsupervised Learning on Transcriptomics
Data [5.232428469965068]
教師なし学習の観点から,自動サブタイピングについて検討する。
具体的には、典型的には存在するが教師なしの学習サブタイプ文学では失敗する強いガウス性仮定をバイパスする。
提案手法は, 潜在空間の特徴をよりよく把握し, 分子レベルでの癌サブタイプの発現をモデル化する。
論文 参考訳（メタデータ） (2022-04-02T11:44:58Z) - Metastatic Cancer Outcome Prediction with Injective Multiple Instance
Pooling [1.0965065178451103]
我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。
結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。
本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
論文 参考訳（メタデータ） (2022-03-09T16:58:03Z) - Weakly-supervised learning for image-based classification of primary
melanomas into genomic immune subgroups [1.4585861543119112]
我々は,ギガピクセルH&E染色病理スライドを免疫サブグループに分類する深層学習モデルを開発した。
我々は、スライドレベルラベルのみを必要とするマルチインスタンス学習アプローチを活用し、注意機構を用いて、その分類に高い重要性を持つ領域をハイライトする。
論文 参考訳（メタデータ） (2022-02-23T13:57:35Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - 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) - 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) - Personalized pathology test for Cardio-vascular disease: Approximate
Bayesian computation with discriminative summary statistics learning [48.7576911714538]
近似計算を用いて生物学的に有意なパラメータを推定するための血小板沈着モデルと推論手法を提案する。
この研究は、CVDの検出と治療のためのパーソナライズされた病理検査の先例のない機会を開く。
論文 参考訳（メタデータ） (2020-10-13T15:20:21Z)
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。