論文の概要: Multivariate Feature Selection and Autoencoder Embeddings of Ovarian Cancer Clinical and Genetic Data

• arxiv url: http://arxiv.org/abs/2501.15881v1
• Date: Mon, 27 Jan 2025 09:07:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:55:21.203034
• Title: Multivariate Feature Selection and Autoencoder Embeddings of Ovarian Cancer Clinical and Genetic Data
• Title（参考訳）: 卵巣癌臨床および遺伝子データの多変量特徴選択とオートエンコーダ埋め込み
• Authors: Luis Bote-Curiel, Sergio Ruiz-Llorente, Sergio Muñoz-Romero, Mónica Yagüe-Fernández, Arantzazu Barquín, Jesús García-Donas, José Luis Rojo-Álvarez,
• Abstract要約: 本研究は,卵巣癌(OC)における新規な臨床および遺伝マーカー発見のためのデータ駆動的アプローチについて検討する。 オートエンコーダ解析では、臨床特徴と臨床および遺伝データの組合せを用いて、より明確なパターンが出現した。 主要な臨床変数(手術の種類、ネオアジュバント化学療法など)と特定の遺伝子変異は、リスクの低い遺伝子因子と強い関連性を示した。
• 参考スコア（独自算出の注目度）: 2.973561339858947
• License:
• Abstract: This study explores a data-driven approach to discovering novel clinical and genetic markers in ovarian cancer (OC). Two main analyses were performed: (1) a nonlinear examination of an OC dataset using autoencoders, which compress data into a 3-dimensional latent space to detect potential intrinsic separability between platinum-sensitive and platinum-resistant groups; and (2) an adaptation of the informative variable identifier (IVI) to determine which features (clinical or genetic) are most relevant to disease progression. In the autoencoder analysis, a clearer pattern emerged when using clinical features and the combination of clinical and genetic data, indicating that disease progression groups can be distinguished more effectively after supervised fine tuning. For genetic data alone, this separability was less apparent but became more pronounced with a supervised approach. Using the IVI-based feature selection, key clinical variables (such as type of surgery and neoadjuvant chemotherapy) and certain gene mutations showed strong relevance, along with low-risk genetic factors. These findings highlight the strength of combining machine learning tools (autoencoders) with feature selection methods (IVI) to gain insights into ovarian cancer progression. They also underscore the potential for identifying new biomarkers that integrate clinical and genomic indicators, ultimately contributing to improved patient stratification and personalized treatment strategies.
• Abstract（参考訳）: 本研究は,卵巣癌(OC)における新規な臨床および遺伝マーカー発見のためのデータ駆動型アプローチについて検討した。 2つの主要な分析を行った:(1) 自己エンコーダを用いたOCデータセットの非線形解析、(2) 白金感受性基と白金耐性基の潜在的な内因性分離性を検出するために3次元潜在空間にデータを圧縮する、(2) 情報変数識別子(IVI)の適応により、どの特徴(臨床または遺伝的)が疾患進行に最も関係しているかを判定する。 オートエンコーダ分析では,臨床特徴と臨床および遺伝データの組み合わせを用いて,より明確なパターンが出現し,微調整を監督した後に,疾患進行群をより効果的に区別できることが示唆された。 遺伝データだけでは、この分離性は明らかではなかったが、教師付きアプローチによってより顕著になった。 IVI-based feature selection, key clinical variables (type of surgery and neoadjuvant chemotherapy) and certain gene mutations showed stronglevance with low-risk genetic factor。 これらの知見は, 卵巣癌進展の洞察を得るために, 機械学習ツール(オートエンコーダ)と特徴選択法(IVI)を組み合わせることの強みを浮き彫りにしている。 彼らはまた、臨床およびゲノム指標を統合した新しいバイオマーカーを同定し、最終的には患者の階層化とパーソナライズされた治療戦略の改善に寄与する可能性を強調している。

関連論文リスト

• Precision Cancer Classification and Biomarker Identification from mRNA Gene Expression via Dimensionality Reduction and Explainable AI [0.9423257767158634]
  本研究では,33種類の異なる癌とその対応する遺伝子群を正確に同定するための包括的パイプラインを提案する。 正規化と特徴選択技術を組み合わせて、データセットの次元性を効果的に削減する。 我々はExplainable AIを利用して、同定された癌特異的遺伝子の生物学的意義を解明する。
  論文  参考訳（メタデータ） (2024-10-08T18:56:31Z)
• Advancing Gene Selection in Oncology: A Fusion of Deep Learning and Sparsity for Precision Gene Selection [4.093503153499691]
  本稿では,深層学習に基づく生存予測モデルのための2つの遺伝子選択手法を提案する。 第1の戦略はスパース性誘導法を使用し、第2の戦略は重要性に基づく遺伝子選択を用いて関連遺伝子を同定する。
  論文  参考訳（メタデータ） (2024-03-04T10:44:57Z)
• Unlocking the Power of Multi-institutional Data: Integrating and Harmonizing Genomic Data Across Institutions [3.5489676012585236]
  共通遺伝子を超えて情報を保存するための統合的特徴を導出するためにブリッジモデルを導入する。 このモデルは、GenIE BPCデータにおいて、6種類のがん種にわたる患者の生存を予測するのに一貫して優れている。
  論文  参考訳（メタデータ） (2024-01-30T23:25:05Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• A New Deep Learning and XAI-Based Algorithm for Features Selection in Genomics [5.787117733071415]
  本稿では,ゲノム規模のデータに基づいて特徴選択を行う新しいアルゴリズムを提案する。 慢性リンパ性白血病データセットへの応用の結果は、アルゴリズムの有効性を証明している。
  論文  参考訳（メタデータ） (2023-03-29T16:44:13Z)
• Comprehensive and user-analytics-friendly cancer patient database for physicians and researchers [0.18472148461613155]
  がんクリティカル遺伝子変異、血清ガレクチンプロファイル、血清および腫瘍グリコミックプロファイルを統合したリレーショナルデータベースが開発されている。 我々のプロジェクトは、がんのステージとサブタイプをまたいだ分子および臨床パターンを解析するための統合的で対話的で成長するデータベースのためのフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-02-01T20:10:06Z)
• Machine Learning Methods for Cancer Classification Using Gene Expression Data: A Review [77.34726150561087]
  がんは心臓血管疾患の2番目の死因である。 遺伝子発現は癌の早期発見において基本的な役割を担っている。 本研究は,機械学習を用いた癌分類における遺伝子発現解析の最近の進歩を概説する。
  論文  参考訳（メタデータ） (2023-01-28T15:03:03Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。