論文の概要: Robust Multi-view Co-expression Network Inference

• arxiv url: http://arxiv.org/abs/2409.19991v1
• Date: Mon, 30 Sep 2024 06:30:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 22:05:59.138321
• Title: Robust Multi-view Co-expression Network Inference
• Title（参考訳）: ロバストなマルチビュー共表現ネットワーク推論
• Authors: Teodora Pandeva, Martijs Jonker, Leendert Hamoen, Joris Mooij, Patrick Forré,
• Abstract要約: トランスクリプトームデータから遺伝子共発現ネットワークを推定することは、多くの課題をもたらす。 複数の独立研究から高次元グラフ推論のためのロバストな手法を提案する。
• 参考スコア（独自算出の注目度）: 8.697303234009528
• License:
• Abstract: Unraveling the co-expression of genes across studies enhances the understanding of cellular processes. Inferring gene co-expression networks from transcriptome data presents many challenges, including spurious gene correlations, sample correlations, and batch effects. To address these complexities, we introduce a robust method for high-dimensional graph inference from multiple independent studies. We base our approach on the premise that each dataset is essentially a noisy linear mixture of gene loadings that follow a multivariate $t$-distribution with a sparse precision matrix, which is shared across studies. This allows us to show that we can identify the co-expression matrix up to a scaling factor among other model parameters. Our method employs an Expectation-Maximization procedure for parameter estimation. Empirical evaluation on synthetic and gene expression data demonstrates our method's improved ability to learn the underlying graph structure compared to baseline methods.
• Abstract（参考訳）: 研究にまたがって遺伝子を共同発現させることで、細胞プロセスの理解が促進される。 トランスクリプトームデータから遺伝子共発現ネットワークを推定すると、刺激的な遺伝子相関、サンプル相関、バッチ効果など多くの課題が生じる。 これらの複雑さに対処するために、複数の独立研究から高次元グラフ推論のためのロバストな手法を導入する。 我々は、各データセットが本質的に、多変量$t$-distributionとスパース精度行列に従う遺伝子ローディングのノイズの多い線形混合であるという前提に基づいている。 これにより、他のモデルパラメータのスケーリング係数まで、共表現行列を識別できることが示せる。 本手法ではパラメータ推定に期待最大化法を用いる。 合成および遺伝子発現データに対する経験的評価は,基礎となるグラフ構造をベースライン法と比較して学習しやすくなったことを示す。

関連論文リスト

• Semantically Rich Local Dataset Generation for Explainable AI in Genomics [0.716879432974126]
  ゲノム配列に基づいて訓練されたブラックボックス深層学習モデルは、異なる遺伝子制御機構の結果を予測するのに優れている。 本稿では、遺伝的プログラミングを用いて、その意味的多様性に寄与する配列の摂動を進化させることによりデータセットを生成することを提案する。
  論文  参考訳（メタデータ） (2024-07-03T10:31:30Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Heterogeneous Multi-Task Gaussian Cox Processes [61.67344039414193]
  異種相関タスクを共同でモデル化するためのマルチタスクガウスコックスプロセスの新たな拡張を提案する。 MOGPは、分類、回帰、ポイントプロセスタスクの専用可能性のパラメータに先行して、異種タスク間の情報の共有を容易にする。 モデルパラメータを推定するための閉形式反復更新を実現する平均場近似を導出する。
  論文  参考訳（メタデータ） (2023-08-29T15:01:01Z)
• A Graphical Model for Fusing Diverse Microbiome Data [2.385985842958366]
  本稿では,このような数値データを共同でモデル化するフレキシブルな多項ガウス生成モデルを提案する。 本稿では、潜在変数とモデルのパラメータを推定するための、計算にスケーラブルな変動予測-最大化(EM)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-21T17:54:39Z)
• Orthogonalization of data via Gromov-Wasserstein type feedback for clustering and visualization [5.44192123671277]
  直交化プロセスによるデータのクラスタリングと可視化に適応的な手法を提案する。 本手法は,パラメータ値に対して一意な固定点にグローバルに収束することを示す。 本手法は,ヒトの専門的分類と一致して生物学的に意味のあるクラスタリング結果を生成する。
  論文  参考訳（メタデータ） (2022-07-25T15:52:11Z)
• Natural language processing for clusterization of genes according to their functions [62.997667081978825]
  本稿では,数千の遺伝子の解析を減らし,複数のクラスタの解析を行うアプローチを提案する。 これらの記述は、事前訓練された言語モデル(BERT)といくつかのテキスト処理アプローチを用いてベクトルとして符号化される。
  論文  参考訳（メタデータ） (2022-07-17T12:59:34Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Multimodal Data Fusion in High-Dimensional Heterogeneous Datasets via Generative Models [16.436293069942312]
  我々は、教師なしの方法で高次元異種データから確率的生成モデルを学習することに興味がある。 本稿では,指数関数的な分布系を通じて異なるデータ型を結合する一般的なフレームワークを提案する。 提案アルゴリズムは、実数値(ガウス)とカテゴリー(マルチノミカル)の特徴を持つ、よく遭遇する異種データセットについて詳細に述べる。
  論文  参考訳（メタデータ） (2021-08-27T18:10:31Z)
• Multi-modal Graph Learning for Disease Prediction [35.4310911850558]
  病気予測のためのエンドツーエンドのマルチモーダルグラフ学習フレームワーク(MMGL)を提案する。 隣接行列を既存の手法として手動で定義する代わりに、潜在グラフ構造を適応グラフ学習の新しい方法によって捉えることができる。
  論文  参考訳（メタデータ） (2021-07-01T03:59:22Z)
• Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
  結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。 新規な構造化融合正規化に基づく一般グラフ推定器を提案する。 提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
  論文  参考訳（メタデータ） (2021-03-05T04:42:32Z)
• A Novel Granular-Based Bi-Clustering Method of Deep Mining the Co-Expressed Genes [76.84066556597342]
  ビクラスタリング法は、サンプル(遺伝子)のサブセットが試験条件下で協調的に制御されるバイクラスタをマイニングするために用いられる。 残念ながら、従来の二クラスタ法はそのような二クラスタを発見するのに完全には効果がない。 本稿では,グラニュラーコンピューティングの理論を取り入れた新しい2クラスタリング手法を提案する。
  論文  参考訳（メタデータ） (2020-05-12T02:04:40Z)

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。