論文の概要: Revolutionizing Personalized Cancer Vaccines with NEO: Novel Epitope Optimization Using an Aggregated Feed Forward and Recurrent Neural Network with LSTM Architecture

• arxiv url: http://arxiv.org/abs/2411.00885v1
• Date: Thu, 31 Oct 2024 18:11:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 14:49:22.350430
• Title: Revolutionizing Personalized Cancer Vaccines with NEO: Novel Epitope Optimization Using an Aggregated Feed Forward and Recurrent Neural Network with LSTM Architecture
• Title（参考訳）: NEOによるパーソナライズド癌ワクチンの革命:LSTMアーキテクチャによるフィードフォワードとリカレントニューラルネットワークを用いた新しいエピトープ最適化
• Authors: Nishanth Basava,
• Abstract要約: このプロジェクトは、Feed Forward Neural Networks(FFNN)とRecurrent Neural Networks(RNN)を使用して、より速く、より安く、より正確なネオエピトープバインディング予測を促進することを目的としている。 NEOは次世代のシークエンシングデータを必要とし、最先端モデルのスコア(Flurry 1.6、NetMHCstabpan 1.0、IEDB)を計算して積み重ねアンサンブル法を用いる。 このモデルを用いて、パーソナライズされたがんワクチンを改良された結果(AUC = 0.9166、リコール = 91.67パーセント)で製造することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: As cancer cases continue to rise, with a 2023 study from Zhejiang and Harvard predicting a 31 percent increase in cases and a 21 percent increase in deaths by 2030, the need to find more effective treatments for cancer is greater than ever before. Traditional approaches to treating cancer, such as chemotherapy, often kill healthy cells because of their lack of targetability. In contrast, personalized cancer vaccines can utilize neoepitopes - distinctive peptides on cancer cells that are often missed by the body's immune system - that have strong binding affinities to a patient's MHC to provide a more targeted treatment approach. The selection of optimal neoepitopes that elicit an immune response is a time-consuming and costly process due to the required inputs of modern predictive methods. This project aims to facilitate faster, cheaper, and more accurate neoepitope binding predictions using Feed Forward Neural Networks (FFNN) and Recurrent Neural Networks (RNN). To address this, NEO was created. NEO requires next-generation sequencing data and uses a stacking ensemble method by calculating scores from state-of-the-art models (MHCFlurry 1.6, NetMHCstabpan 1.0, and IEDB). The model's architecture includes an FFNN and an RNN with LSTM layers capable of analyzing both sequential and non-sequential data. The results from both models are aggregated to produce predictions. Using this model, personalized cancer vaccines can be produced with improved results (AUC = 0.9166, recall = 91.67 percent).
• Abstract（参考訳）: 2023年の研究によると、2030年までに症例が31%増加し、死亡率が21%増加すると予測されているため、がんに対する効果的な治療法を見つける必要性はこれまでになく高まっている。 化学療法のような従来のがん治療のアプローチは、標的性がないため、しばしば健康な細胞を殺傷する。 対照的に、パーソナライズされたがんワクチンは、患者のMHCに強い結合親和性を持つがん細胞に特徴的なペプチドであるネオエピトープを利用することができる。 免疫応答を誘発する最適なネオエピトープの選択は、現代の予測方法の必要な入力のため、時間とコストのかかるプロセスである。 このプロジェクトは、Feed Forward Neural Networks(FFNN)とRecurrent Neural Networks(RNN)を使用して、より速く、より安く、より正確なネオエピトープバインディング予測を促進することを目的としている。 これに対応するためにNEOが作られた。 NEOは次世代のシーケンシングデータを必要とし、最先端モデル(MHCFlurry 1.6、NetMHCstabpan 1.0、IEDB)のスコアを計算して積み重ねアンサンブル法を用いる。 モデルのアーキテクチャは、逐次データと非逐次データの両方を分析することができるLSTMレイヤを備えたFFNNとRNNを含む。 両方のモデルの結果は、予測を生成するために集約される。 このモデルを用いて、パーソナライズされたがんワクチンを改良された結果(AUC = 0.9166、リコール = 91.67パーセント)で製造することができる。

関連論文リスト

• Advanced Hybrid Deep Learning Model for Enhanced Classification of Osteosarcoma Histopathology Images [0.0]
  本研究は, 小児および思春期において最も多い骨癌である骨肉腫(OS)に焦点を当て, 腕と足の長い骨に影響を及ぼす。 我々は、OSの診断精度を向上させるために、畳み込みニューラルネットワーク(CNN)と視覚変換器(ViT)を組み合わせた新しいハイブリッドモデルを提案する。 このモデルは精度99.08%、精度99.10%、リコール99.28%、F1スコア99.23%を達成した。
  論文  参考訳（メタデータ） (2024-10-29T13:54:08Z)
• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Improving Breast Cancer Grade Prediction with Multiparametric MRI Created Using Optimized Synthetic Correlated Diffusion Imaging [71.91773485443125]
  乳がん治療計画において、グレーディングは重要な役割を担っている。 現在の腫瘍グレード法では、患者から組織を抽出し、ストレス、不快感、医療費の上昇につながる。 本稿では,CDI$s$の最適化による乳癌の診断精度の向上について検討する。
  論文  参考訳（メタデータ） (2024-05-13T15:48:26Z)
• Using Multiparametric MRI with Optimized Synthetic Correlated Diffusion Imaging to Enhance Breast Cancer Pathologic Complete Response Prediction [71.91773485443125]
  ネオアジュバント化学療法は乳癌の治療戦略として最近人気を集めている。 ネオアジュバント化学療法を推奨する現在のプロセスは、医療専門家の主観的評価に依存している。 本研究は, 乳癌の病理組織学的完全反応予測に最適化されたCDI$s$を応用することを検討した。
  論文  参考訳（メタデータ） (2024-05-13T15:40:56Z)
• Diagnosis of Skin Cancer Using VGG16 and VGG19 Based Transfer Learning Models [0.6827423171182154]
  ディープ畳み込みニューラルネットワーク(CNN)は、データと画像の分類に優れた可能性を示している。 本稿では,CNNを用いた皮膚病変分類問題について検討する。 本研究では, 転写学習の枠組みを適切に設計し, 適用することにより, 病変検出の顕著な分類精度を得ることができることを示す。
  論文  参考訳（メタデータ） (2024-04-01T15:06:20Z)
• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• Prediction of brain tumor recurrence location based on multi-modal fusion and nonlinear correlation learning [55.789874096142285]
  深層学習に基づく脳腫瘍再発位置予測ネットワークを提案する。 まず、パブリックデータセットBraTS 2021上で、マルチモーダル脳腫瘍セグメンテーションネットワークをトレーニングする。 次に、事前訓練されたエンコーダを、リッチなセマンティックな特徴を抽出するために、プライベートデータセットに転送する。 2つのデコーダは、現在の脳腫瘍を共同に分断し、将来の腫瘍再発位置を予測するために構築されている。
  論文  参考訳（メタデータ） (2023-04-11T02:45:38Z)
• Modeling of Textures to Predict Immune Cell Status and Survival of Brain Tumour Patients [4.542148087324063]
  放射線医学は、グリオーマのような様々な種類のがんが臨床結果を予測する能力を示した。 深部放射線学的特徴(DRF)を用いたグリオーマ患者の免疫マーカー(低値と高値)と生存率の予測を目指す。 提案したDRFと3つの免疫細胞マーカー(マクロファージM1,好中球,T細胞卵胞ヘルパー)の関連性を評価し,それらの生存率との関連性について検討した。
  論文  参考訳（メタデータ） (2022-06-04T03:52:12Z)
• Optimizing Prediction of MGMT Promoter Methylation from MRI Scans using Adversarial Learning [0.0]
  Glioblastoma Multiforme (GBM) による米国では毎年13,000人以上が死亡していると推定されている。 非侵襲磁気共鳴画像(MRI)ベースの機械学習(ML)モデルを用いてMGMTプロモーターの状態を特定することが重要である。 2つの放射能モデルと2つのCNNモデルという4つの主要モデルを開発した。
  論文  参考訳（メタデータ） (2022-01-12T11:04:34Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)

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。