論文の概要: Graph Pseudotime Analysis and Neural Stochastic Differential Equations for Analyzing Retinal Degeneration Dynamics and Beyond
- arxiv url: http://arxiv.org/abs/2502.06126v1
- Date: Mon, 10 Feb 2025 03:25:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-11 14:30:36.742299
- Title: Graph Pseudotime Analysis and Neural Stochastic Differential Equations for Analyzing Retinal Degeneration Dynamics and Beyond
- Title（参考訳）: 網膜変性動態解析のためのグラフ擬似時間解析とニューラル確率微分方程式
- Authors: Dai Shi, Kuan Yan, Lequan Lin, Yue Zeng, Ting Zhang, Dmytro Matsypura, Mark C. Gillies, Ling Zhu, Junbin Gao,
- Abstract要約: そこで本研究では,新たに編集したJR5558マウス転写解析データから,被験者の経路グラフを効率的に構築する手法を開発した。
次に,グラフレベルのPseudotime Analysis (GPA)を開発し,人口レベルでの疾患の進行を示すグラフレベルの軌跡を推測する。
GPAに基づいて病期遷移を誘導する最も敏感な経路を同定する。
我々の理論は、経路が相互に相互作用できる場合にまで拡張し、病気の表現型をより包括的で多面的に特徴づけることを可能にする。
- 参考スコア（独自算出の注目度）: 23.5532897473393
- License:
- Abstract: Understanding disease progression at the molecular pathway level usually requires capturing both structural dependencies between pathways and the temporal dynamics of disease evolution. In this work, we solve the former challenge by developing a biologically informed graph-forming method to efficiently construct pathway graphs for subjects from our newly curated JR5558 mouse transcriptomics dataset. We then develop Graph-level Pseudotime Analysis (GPA) to infer graph-level trajectories that reveal how disease progresses at the population level, rather than in individual subjects. Based on the trajectories estimated by GPA, we identify the most sensitive pathways that drive disease stage transitions. In addition, we measure changes in pathway features using neural stochastic differential equations (SDEs), which enables us to formally define and compute pathway stability and disease bifurcation points (points of no return), two fundamental problems in disease progression research. We further extend our theory to the case when pathways can interact with each other, enabling a more comprehensive and multi-faceted characterization of disease phenotypes. The comprehensive experimental results demonstrate the effectiveness of our framework in reconstructing the dynamics of the pathway, identifying critical transitions, and providing novel insights into the mechanistic understanding of disease evolution.
- Abstract（参考訳）: 分子経路レベルでの疾患の進行を理解するには、通常、経路間の構造的依存関係と疾患進化の時間的ダイナミクスの両方を捉える必要がある。
そこで本研究では,JR5558マウストランスクリプトミクスデータセットから,被験者の経路グラフを効率的に構築する,生物学的に情報を得たグラフ形成手法を開発することにより,従来の課題を解決する。
次に,グラフレベルのPseudotime Analysis (GPA) を開発し,個々の被験者ではなく,人口レベルでの疾患の進行を示すグラフレベルの軌跡を推測する。
GPAによって推定される軌道に基づいて,病期遷移を誘導する最も敏感な経路を同定する。
さらに、神経確率微分方程式(SDE)を用いて経路特性の変化を測定し、疾患進行研究における2つの基本的な問題である、経路安定性と疾患分岐点を正式に定義し、計算することができる。
我々はさらに、経路が相互に相互作用できる場合にまで理論を拡張し、病気の表現型をより包括的で多面的に特徴づけることを可能にする。
総合的な実験結果から, 経路の力学を再構築し, 臨界遷移を同定し, 疾患の進化の機械的理解に関する新たな知見を提供するための枠組みの有効性が示された。
関連論文リスト
- Parkinson's Disease Detection from Resting State EEG using Multi-Head Graph Structure Learning with Gradient Weighted Graph Attention Explanations [9.544065991313062]
静止状態脳波を用いたパーキンソン病(PD)検出のための新しいグラフニューラルネットワーク(GNN)手法を提案する。
コントラスト学習を用いた構造化グローバル畳み込みを用いて,データ制限による複雑な特徴をモデル化する。
UCサンディエゴ・パーキンソン病脳波データセットを用いて本手法を開発,評価し,主観的離脱検診において69.40%の精度で検出した。
論文 参考訳（メタデータ） (2024-08-01T20:54:33Z) - GTP-4o: Modality-prompted Heterogeneous Graph Learning for Omni-modal Biomedical Representation [68.63955715643974]
Omnimodal Learning(GTP-4o)のためのモダリティプロンプト不均質グラフ
我々は、Omnimodal Learning(GTP-4o)のための革新的モダリティプロンプト不均質グラフを提案する。
論文 参考訳（メタデータ） (2024-07-08T01:06:13Z) - Highly Accurate Disease Diagnosis and Highly Reproducible Biomarker
Identification with PathFormer [32.26944736442376]
グラフニューラルネットワーク(GNN)は、グラフ構造化データを分析するための主要なディープラーニングモデルである。
課題の根源は、生物学的シグナル伝達経路のユニークなグラフ構造である。
本稿では,バイオマーカーのランク付けと疾患診断の予測のために,シグナルネットワーク,優先知識,オミクスデータを統合した新しいGNNモデルアーキテクチャPathFormerを提案する。
論文 参考訳（メタデータ） (2024-02-11T18:23:54Z) - Classification of developmental and brain disorders via graph
convolutional aggregation [6.6356049194991815]
本稿では,グラフサンプリングにおける集約を利用したアグリゲータ正規化グラフ畳み込みネットワークを提案する。
提案モデルは,画像特徴と非画像特徴の両方をグラフノードとエッジに組み込むことで,識別グラフノード表現を学習する。
我々は、自閉症脳画像データ交換(ABIDE)とアルツハイマー病神経イメージングイニシアチブ(ADNI)という2つの大きなデータセット上の最近のベースライン手法と比較して、我々のモデルをベンチマークした。
論文 参考訳（メタデータ） (2023-11-13T14:36:29Z) - 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) - Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue
Generation [150.52617238140868]
ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。
また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
論文 参考訳（メタデータ） (2020-12-22T13:20:23Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳（メタデータ） (2020-07-07T21:04:55Z) - Finding Patient Zero: Learning Contagion Source with Graph Neural
Networks [67.3415507211942]
感染源の特定は、感染の感染経路に関する重要な洞察を与えることができる。
既存の方法はグラフ理論測度と高価なメッセージパッシングアルゴリズムを用いる。
グラフニューラルネットワーク(GNN)を用いてP0を学習し,この問題を再考する。
論文 参考訳（メタデータ） (2020-06-21T21:12:44Z) - A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease
Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。
我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。
我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文 参考訳（メタデータ） (2020-05-08T02:29:24Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。