論文の概要: Identifying latent disease factors differently expressed in patient subgroups using group factor analysis
- arxiv url: http://arxiv.org/abs/2410.07890v1
- Date: Thu, 10 Oct 2024 13:12:14 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-31 14:16:01.966182
- Title: Identifying latent disease factors differently expressed in patient subgroups using group factor analysis
- Title（参考訳）: グループ因子分析による患者サブグループで異なる潜在性疾患因子の同定
- Authors: Fabio S. Ferreira, John Ashburner, Arabella Bouzigues, Chatrin Suksasilp, Lucy L. Russell, Phoebe H. Foster, Eve Ferry-Bolder, John C. van Swieten, Lize C. Jiskoot, Harro Seelaar, Raquel Sanchez-Valle, Robert Laforce, Caroline Graff, Daniela Galimberti, Rik Vandenberghe, Alexandre de Mendonca, Pietro Tiraboschi, Isabel Santana, Alexander Gerhard, Johannes Levin, Sandro Sorbi, Markus Otto, Florence Pasquier, Simon Ducharme, Chris R. Butler, Isabelle Le Ber, Elizabeth Finger, Maria C. Tartaglia, Mario Masellis, James B. Rowe, Matthis Synofzik, Fermin Moreno, Barbara Borroni, Samuel Kaski, Jonathan D. Rohrer, Janaina Mourao-Miranda,
- Abstract要約: 本稿では,サブグループ特異的およびサブグループ共通潜在因子を明らかにするための新しいアプローチを提案する。
提案手法は,正規化されたホースシュー先行群を用いたスパース群因子解析 (GFA) であり,確率計画法を用いて実装した。
- 参考スコア（独自算出の注目度）: 54.67330718129736
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this study, we propose a novel approach to uncover subgroup-specific and subgroup-common latent factors addressing the challenges posed by the heterogeneity of neurological and mental disorders, which hinder disease understanding, treatment development, and outcome prediction. The proposed approach, sparse Group Factor Analysis (GFA) with regularised horseshoe priors, was implemented with probabilistic programming and can uncover associations (or latent factors) among multiple data modalities differentially expressed in sample subgroups. Synthetic data experiments showed the robustness of our sparse GFA by correctly inferring latent factors and model parameters. When applied to the Genetic Frontotemporal Dementia Initiative (GENFI) dataset, which comprises patients with frontotemporal dementia (FTD) with genetically defined subgroups, the sparse GFA identified latent disease factors differentially expressed across the subgroups, distinguishing between "subgroup-specific" latent factors within homogeneous groups and "subgroup common" latent factors shared across subgroups. The latent disease factors captured associations between brain structure and non-imaging variables (i.e., questionnaires assessing behaviour and disease severity) across the different genetic subgroups, offering insights into disease profiles. Importantly, two latent factors were more pronounced in the two more homogeneous FTD patient subgroups (progranulin (GRN) and microtubule-associated protein tau (MAPT) mutation), showcasing the method's ability to reveal subgroup-specific characteristics. These findings underscore the potential of sparse GFA for integrating multiple data modalities and identifying interpretable latent disease factors that can improve the characterization and stratification of patients with neurological and mental health disorders.
- Abstract（参考訳）: 本研究では,神経疾患と精神障害の異質性に起因する課題に対処する,サブグループ特異的およびサブグループ共通の潜伏因子を明らかにするための新しいアプローチを提案する。
提案手法であるスパース群因子分析 (GFA) は確率的プログラムを用いて実装され, サンプル部分群で差分的に表現される複数のデータモダリティ間の関連性(潜在因子)を明らかにすることができる。
合成データ実験により,潜在因子とモデルパラメータを正しく推定することにより,スパースGFAのロバスト性を示した。
前頭側頭型認知症(FTD)と遺伝的に定義されたサブグループから構成される遺伝性前頭側頭型認知症イニシアチブ(GENFI)データセットに適用すると、スパースGFAは、各サブグループ間で差分的に発現する潜伏性疾患因子を同定し、同種グループ内の「サブグループ特異的」潜伏因子と、サブグループ間で共有される「サブグループ共通」潜伏因子とを区別した。
潜伏する疾患因子は、脳の構造と非画像変数(つまり、行動と疾患の重症度を評価するアンケート)の関連を異なる遺伝的サブグループで捉え、疾患のプロファイルに関する洞察を提供した。
重要なことは、より均一な2つのFTD患者サブグループ(progranulin (GRN) とmicrotubule-associated protein tau (MAPT) 変異)において2つの潜伏因子がより強調され、サブグループ特異的な特徴を明らかにする能力を示した。
これらの知見は、複数のデータモダリティを統合するためのスパースGFAの可能性と、神経学的および精神的な健康障害の患者の特徴と成層化を改善するための解釈可能な潜在性疾患因子を同定する可能性を強調した。
関連論文リスト
- Survey and Improvement Strategies for Gene Prioritization with Large Language Models [61.24568051916653]
大規模言語モデル (LLM) は, 医学検査において良好に機能しているが, 希少な遺伝疾患の診断における有効性は評価されていない。
表現型と可溶性レベルに基づいて, マルチエージェントとヒトフェノタイプオントロジー(HPO)を分類した。
ベースラインでは、GPT-4は他のLLMよりも優れており、因果遺伝子を正しくランク付けする際の精度は30%近く向上した。
論文 参考訳（メタデータ） (2025-01-30T23:03:03Z) - Causal Learning for Heterogeneous Subgroups Based on Nonlinear Causal Kernel Clustering [11.9672224014053]
非線形因果クラスタリング法は異種因果学習に有用である。
実験結果から,本手法は異種サブグループを同定し,因果学習の促進に有効であることが示唆された。
論文 参考訳（メタデータ） (2025-01-20T17:43:17Z) - Data-driven subgrouping of patient trajectories with chronic diseases: Evidence from low back pain [18.837597864085865]
本稿では,慢性疾患からの患者軌跡を分類するための隠れマルコフモデルを提案する。
我々のモデルは確率的であり、慢性疾患の異なる軌跡を捉えるために慎重に設計されている。
我々のサブグループ化フレームワークはクラスタ妥当性指標の点で共通ベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2024-04-16T14:05:29Z) - Federated unsupervised random forest for privacy-preserving patient
stratification [0.4499833362998487]
教師なしランダムフォレストを用いた新しいマルチオミクスクラスタリング手法を提案する。
我々は、機械学習ベンチマークデータセットとThe Cancer Genome Atlasのがんデータに対するアプローチを検証する。
本手法は病気のサブタイプに関して最先端の手法と競合するが,同時にクラスタの解釈可能性も大幅に向上する。
論文 参考訳（メタデータ） (2024-01-29T12:04:14Z) - Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳（メタデータ） (2023-10-24T07:46:10Z) - The Role of Subgroup Separability in Group-Fair Medical Image
Classification [18.29079361470428]
診断などの系統的バイアスを伴うデータを用いて, サブグループ分離性, サブグループ分離性, 性能劣化の関係について検討した。
私たちの発見は、モデルがどのように偏見を抱くかという問題に新たな光を当て、公正な医療画像AIの開発に重要な洞察を与えました。
論文 参考訳（メタデータ） (2023-07-06T06:06:47Z) - Gene-SGAN: a method for discovering disease subtypes with imaging and
genetic signatures via multi-view weakly-supervised deep clustering [6.79528256151419]
Gene-SGANは、マルチビュー、弱教師付きディープクラスタリング手法である。
表現型および遺伝的データを共同で検討することで、病気の不均一性を識別する。
ジーン-SGANは、疾患のサブタイプやエンドフェノタイプ発見に広く応用されている。
論文 参考訳（メタデータ） (2023-01-25T10:08:30Z) - Composite Feature Selection using Deep Ensembles [130.72015919510605]
本研究では,事前定義されたグループ化を伴わない予測的特徴群発見の問題について検討する。
本稿では,特徴選択モデルのアンサンブルを用いて予測グループを探索する,新しいディープラーニングアーキテクチャを提案する。
発見群と基底真理の類似性を測定するための新しい尺度を提案する。
論文 参考訳（メタデータ） (2022-11-01T17:49:40Z) - Data-IQ: Characterizing subgroups with heterogeneous outcomes in tabular
data [81.43750358586072]
本稿では,サンプルをサブグループに体系的に階層化するフレームワークであるData-IQを提案する。
実世界の4つの医療データセットに対するData-IQの利点を実験的に実証した。
論文 参考訳（メタデータ） (2022-10-24T08:57:55Z) - Robust Recursive Partitioning for Heterogeneous Treatment Effects with
Uncertainty Quantification [84.53697297858146]
治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。
サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。
本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
論文 参考訳（メタデータ） (2020-06-14T14:50:02Z)
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。