論文の概要: Multi Scale Graph Neural Network for Alzheimer's Disease

• arxiv url: http://arxiv.org/abs/2411.10720v1
• Date: Sat, 16 Nov 2024 06:48:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:32:06.808098
• Title: Multi Scale Graph Neural Network for Alzheimer's Disease
• Title（参考訳）: アルツハイマー病に対するマルチスケールグラフニューラルネットワーク
• Authors: Anya Chauhan, Ayush Noori, Zhaozhi Li, Yingnan He, Michelle M Li, Marinka Zitnik, Sudeshna Das,
• Abstract要約: アルツハイマー病(英語: Alzheimer's disease、AD)は、細胞外アベタプラーク、神経線維性タウ・タングル、グリア活性化、神経変性を特徴とする複雑で進行的な神経変性疾患である。 そこで我々は,老化からADスペクトル全体にわたるドナーの脳ミクスデータを用いて,マルチスケールグラフニューラルネットワーク(GNN)モデルALZ PINNACLEを開発した。 ALZ PINNACLE は PINNACLE GNN フレームワークをベースとしている。
• 参考スコア（独自算出の注目度）: 9.008922244965085
• License:
• Abstract: Alzheimer's disease (AD) is a complex, progressive neurodegenerative disorder characterized by extracellular A\b{eta} plaques, neurofibrillary tau tangles, glial activation, and neuronal degeneration, involving multiple cell types and pathways. Current models often overlook the cellular context of these pathways. To address this, we developed a multiscale graph neural network (GNN) model, ALZ PINNACLE, using brain omics data from donors spanning the entire aging to AD spectrum. ALZ PINNACLE is based on the PINNACLE GNN framework, which learns context-aware protein, cell type, and tissue representations within a unified latent space. ALZ PINNACLE was trained on 14,951 proteins, 206,850 protein interactions, 7 cell types, and 48 cell subtypes or states. After pretraining, we investigated the learned embedding of APOE, the largest genetic risk factor for AD, across different cell types. Notably, APOE embeddings showed high similarity in microglial, neuronal, and CD8 cells, suggesting a similar role of APOE in these cell types. Fine tuning the model on AD risk genes revealed cell type contexts predictive of the role of APOE in AD. Our results suggest that ALZ PINNACLE may provide a valuable framework for uncovering novel insights into AD neurobiology.
• Abstract（参考訳）: アルツハイマー病(英語: Alzheimer's disease、AD)は、細胞外A\b{eta}プラーク、神経線維性タウタングル、グリア活性化、神経変性を特徴とする複雑で進行的な神経変性疾患である。 現在のモデルは、しばしばこれらの経路の細胞コンテキストを見落としている。 そこで我々は,老化からADスペクトル全体にわたるドナーの脳ミクスデータを用いて,マルチスケールグラフニューラルネットワーク(GNN)モデルALZ PINNACLEを開発した。 ALZ PINNACLE は PINNACLE GNN フレームワークをベースとしている。 ALZ PINNACLEは14,951のタンパク質、206,850のタンパク質相互作用、7の細胞タイプ、48の細胞サブタイプまたは状態で訓練された。 プレトレーニング後,ADの最大の遺伝的リスク因子であるAPOEの異なる細胞種への組込みについて検討した。 特に、APOEの埋め込みは、ミクログリア細胞、神経細胞細胞、CD8細胞において高い類似性を示し、これらの細胞型におけるAPOEの役割が示唆された。 ADリスク遺伝子を微調整すると、ADにおけるAPOEの役割を予測する細胞型コンテキストが明らかとなった。 以上の結果から,ALZ PINNACLEはAD神経生物学の新たな知見を明らかにする上で有用なフレームワークである可能性が示唆された。

関連論文リスト

• Graph Theory and GNNs to Unravel the Topographical Organization of Brain Lesions in Variants of Alzheimer's Disease Progression [0.0]
  我々は,アルツハイマー病(AD)神経病理の変動を評価するためのグラフベースの枠組みを提案し,評価した。 我々のフレームワークは、古典的(cAD)および急激な(rpAD)進行形式に焦点を当てている。 結果は,各AD変異体に特有の神経病理学的ネットワーク構造が示唆された。
  論文  参考訳（メタデータ） (2024-03-01T16:16:51Z)
• Towards a Foundation Model for Brain Age Prediction using coVariance Neural Networks [102.75954614946258]
  時間的年齢に関する脳年齢の増加は、神経変性と認知低下に対する脆弱性の増加を反映している。 NeuroVNNは、時系列年齢を予測するために、健康な人口の回帰モデルとして事前訓練されている。 NeuroVNNは、脳の年齢に解剖学的解釈性を加え、任意の脳のアトラスに従って計算されたデータセットへの転移を可能にする「スケールフリー」特性を持つ。
  論文  参考訳（メタデータ） (2024-02-12T14:46:31Z)
• scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
  グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。 scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。 scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
  論文  参考訳（メタデータ） (2023-12-16T03:54:26Z)
• Neuronal Cell Type Classification using Deep Learning [3.3517146652431378]
  機械学習の最近の進歩は、ニューロンを分類する高度な能力を提供してきた。 本研究の目的は,脳の電気生理学的活動に基づいてニューロンを分類する,堅牢で説明可能なディープラーニングフレームワークを提供することである。
  論文  参考訳（メタデータ） (2023-06-01T10:28:49Z)
• PINNet: a deep neural network with pathway prior knowledge for Alzheimer's disease [2.726037037420483]
  早期診断にはアルツハイマー病(AD)関連転写因子の血液からの同定が重要である。 本稿では,AD患者を予測し,血液および脳の転写学的シグネチャを解析するための経路情報に基づくニューラルネットワーク(PINNet)を提案する。
  論文  参考訳（メタデータ） (2022-11-27T05:00:26Z)
• Predicting Brain Age using Transferable coVariance Neural Networks [119.45320143101381]
  我々は最近,サンプル共分散行列で動作する共分散ニューラルネットワーク(VNN)について検討した。 本稿では,大脳皮質厚みデータを用いた脳年齢推定におけるVNNの有用性を示す。 以上の結果から、VNNは脳年齢推定のためのマルチスケールおよびマルチサイト転送性を示すことが明らかとなった。 アルツハイマー病(AD)の脳年齢の文脈では,健常者に対してVNNを用いて予測される脳年齢がADに対して有意に上昇していることから,VNNの出力は解釈可能であることが示された。
  論文  参考訳（メタデータ） (2022-10-28T18:58:34Z)
• A Neural Network Based Automated IFT-20 Sensory Neuron Classifier for Caenorhabditis elegans [0.0]
  組織間比較は、機能ネットワークの全脳分析を含む幅広い研究を可能にする。 線虫 Caenorhabditis elegans における単細胞分解能のパンニューロンイメージングの最近の進歩は、すべての到達範囲におけるニューロンの同定、追跡、活動監視をもたらした。 高い精度で神経細胞を同定する主な障壁は、成人のC. elegansでは神経細胞の体の位置がステレオタイプ化されていないことである。 単色蛍光画像のみを用いた別の神経細胞識別手法を提案する。
  論文  参考訳（メタデータ） (2022-10-24T00:17:26Z)
• Pathology Steered Stratification Network for Subtype Identification in Alzheimer's Disease [7.594681424335177]
  アルツハイマー病(英: Alzheimers disease、AD)は、β-アミロイド、病理学的タウ、神経変性を特徴とする異種多時性神経変性疾患である。 本稿では,AD病理学に確立されたドメイン知識を反応拡散モデルにより組み込んだ新しい病理組織形成ネットワーク(PSSN)を提案する。
  論文  参考訳（メタデータ） (2022-10-12T02:52:00Z)
• Towards self-organized control: Using neural cellular automata to robustly control a cart-pole agent [62.997667081978825]
  我々は、カートポールエージェントを制御するために、ニューラルセルオートマトンを使用する。 我々は、Q値の推定値として出力セルの状態を用いる深層学習を用いてモデルを訓練した。
  論文  参考訳（メタデータ） (2021-06-29T10:49:42Z)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)
• Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
  XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。 コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-02-02T21:09:39Z)

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。