論文の概要: scBIT: Integrating Single-cell Transcriptomic Data into fMRI-based Prediction for Alzheimer's Disease Diagnosis

• arxiv url: http://arxiv.org/abs/2502.02630v1
• Date: Tue, 04 Feb 2025 18:37:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:28:04.753727
• Title: scBIT: Integrating Single-cell Transcriptomic Data into fMRI-based Prediction for Alzheimer's Disease Diagnosis
• Title（参考訳）: scBIT:単細胞転写データとfMRIによるアルツハイマー病の診断
• Authors: Yu-An Huang, Yao Hu, Yue-Chao Li, Xiyue Cao, Xinyuan Li, Kay Chen Tan, Zhu-Hong You, Zhi-An Huang,
• Abstract要約: scBITは、fMRIと単一核RNA(snRNA)を組み合わせてアルツハイマー病(AD)の予測を強化する新しい方法である snRNAデータを細胞型特異的な遺伝子ネットワークに分割するサンプリング戦略を採用し、自己説明可能なグラフニューラルネットワークを使用してクリティカルなサブグラフを抽出する。 広範囲にわたる実験により、cBITが複雑な脳領域-遺伝子関連を明らかにする効果が検証された。
• 参考スコア（独自算出の注目度）: 24.268703526039367
• License:
• Abstract: Functional MRI (fMRI) and single-cell transcriptomics are pivotal in Alzheimer's disease (AD) research, each providing unique insights into neural function and molecular mechanisms. However, integrating these complementary modalities remains largely unexplored. Here, we introduce scBIT, a novel method for enhancing AD prediction by combining fMRI with single-nucleus RNA (snRNA). scBIT leverages snRNA as an auxiliary modality, significantly improving fMRI-based prediction models and providing comprehensive interpretability. It employs a sampling strategy to segment snRNA data into cell-type-specific gene networks and utilizes a self-explainable graph neural network to extract critical subgraphs. Additionally, we use demographic and genetic similarities to pair snRNA and fMRI data across individuals, enabling robust cross-modal learning. Extensive experiments validate scBIT's effectiveness in revealing intricate brain region-gene associations and enhancing diagnostic prediction accuracy. By advancing brain imaging transcriptomics to the single-cell level, scBIT sheds new light on biomarker discovery in AD research. Experimental results show that incorporating snRNA data into the scBIT model significantly boosts accuracy, improving binary classification by 3.39% and five-class classification by 26.59%. The codes were implemented in Python and have been released on GitHub (https://github.com/77YQ77/scBIT) and Zenodo (https://zenodo.org/records/11599030) with detailed instructions.
• Abstract（参考訳）: 機能MRI(Functional MRI)と単細胞転写学(le-cell transcriptomics)はアルツハイマー病(AD)研究において重要な役割を担い、それぞれが神経機能と分子機構について独自の洞察を与える。 しかし、これらの相補的なモダリティを統合することは、ほとんど未解明のままである。 本稿では,fMRIと単一核RNA(snRNA)を組み合わせた新しいAD予測法であるscBITを紹介する。 scBITはsnRNAを補助モダリティとして利用し、fMRIベースの予測モデルを大幅に改善し、包括的な解釈性を提供する。 snRNAデータを細胞型特異的な遺伝子ネットワークに分割するサンプリング戦略を採用し、自己説明可能なグラフニューラルネットワークを使用して重要なサブグラフを抽出する。 さらに、個体間でsnRNAとfMRIデータをペアリングするために、人口統計学的および遺伝的類似性を使用し、堅牢なクロスモーダル学習を可能にした。 広範囲にわたる実験は、複雑な脳領域遺伝子関連を明らかにし、診断予測精度を向上するScBITの有効性を検証する。 単細胞レベルでの脳画像転写学の進歩により、ScBITはAD研究におけるバイオマーカー発見に新たな光を放つ。 実験の結果、snRNAデータを scBIT モデルに組み込むことで精度が大幅に向上し、バイナリ分類が3.39%、クラス分類が26.59%向上した。 コードはPythonで実装され、GitHub(https://github.com/77YQ77/scBIT)とZenodo(https://zenodo.org/records/11599030)でリリースされている。

関連論文リスト

• SGUQ: Staged Graph Convolution Neural Network for Alzheimer's Disease Diagnosis using Multi-Omics Data [7.090283934070421]
  アルツハイマー病(英語: Alzheimer's disease、AD)は、慢性神経変性疾患であり、認知症の主要な原因である。 従来のアプローチでは、通常、最適なAD診断を達成するために、すべてのオミクスデータを最初から完了する必要がある。 我々は不確実性定量化(SGUQ)を用いたグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2024-10-14T19:51:32Z)
• Trustworthy Enhanced Multi-view Multi-modal Alzheimer's Disease Prediction with Brain-wide Imaging Transcriptomics Data [9.325994464749998]
  脳の転写学は、脳が機能や過程を調節する分子機構に関する洞察を与える。 アルツハイマー病(AD)を予測するための既存のマルチモーダルな方法は、主に画像と時折遺伝データに依存しており、しばしば脳の転写学的基盤を無視している。 本稿では,広範囲な脳波と画像データを用いたAD診断のための多視点マルチモーダルグラフアテンションフレームワークTMMを提案する。
  論文  参考訳（メタデータ） (2024-06-21T08:39:24Z)
• scCDCG: Efficient Deep Structural Clustering for single-cell RNA-seq via Deep Cut-informed Graph Embedding [12.996418312603284]
  scCDCG (Single-cell RNA-seq Clustering via Deep Cut-informed Graph)は、cRNA-seqデータの効率的かつ正確なクラスタリングを目的とした新しいフレームワークである。 scCDCGは3つの主要な構成要素から構成される: (i) 細胞間高次構造情報を効果的にキャプチャするディープカットインフォームド技術を利用したグラフ埋め込みモジュール。 (II)cRNA-seqデータの特異な複雑さに対応するため,最適なトランスポートによって誘導される自己教師型学習モジュール。
  論文  参考訳（メタデータ） (2024-04-09T09:46:17Z)
• 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)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• Machine Learning Based Multimodal Neuroimaging Genomics Dementia Score for Predicting Future Conversion to Alzheimer's Disease [2.914776804701307]
  画像/遺伝子型に基づくDATスコアを作成した。 DATスコアの0.5しきい値を用いて,将来,被験者がDATを発達させるか否かを予測した。
  論文  参考訳（メタデータ） (2022-03-11T01:35:30Z)
• MuCoMiD: A Multitask Convolutional Learning Framework for miRNA-Disease Association Prediction [0.4061135251278187]
  本稿では, MuCoMiD と呼ぶ新しいマルチタスク畳み込み方式を提案する。 MuCoMiDは、4つの異種生物情報ソースからの知識を取り入れつつ、自動特徴抽出を可能にする。 我々は、標準ベンチマークデータセットに関する大規模な実験と、より大規模な独立したテストセットとケーススタディを構築した。 MuCoMiDは、HMDDv2.0とHMDDv3.0データセットで5倍のCV評価を少なくとも5%改善し、最先端のアプローチよりも、目に見えない病気や目に見えない病気を持つ大規模独立テストセットで少なくとも49%改善した。
  論文  参考訳（メタデータ） (2021-08-08T10:01:46Z)
• 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)
• 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)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。