論文の概要: Optimizing Gene-Based Testing for Antibiotic Resistance Prediction

• arxiv url: http://arxiv.org/abs/2502.14919v1
• Date: Wed, 19 Feb 2025 14:34:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-24 16:09:37.368342
• Title: Optimizing Gene-Based Testing for Antibiotic Resistance Prediction
• Title（参考訳）: 抗生物質耐性予測のための遺伝子検査の最適化
• Authors: David Hagerman, Anna Johnning, Roman Naeem, Fredrik Kahl, Erik Kristiansson, Lennart Svensson,
• Abstract要約: 抗生物質耐性 (AR) は、費用対効果、効率、正確な診断ツールの開発を必要とする重要な世界的な健康問題である。 ARの遺伝的基盤から、特定の抵抗性遺伝子を標的とするPCR(PCR)のような技術は、予測診断に有望なアプローチを提供する。 この研究は、PCR遺伝子テストの選択を最適化し、AR予測を改善するために、強化学習(RL)とトランスフォーマーベースのモデルを統合する新しいフレームワークであるGenoARMを紹介する。
• 参考スコア（独自算出の注目度）: 11.1340971514584
• License:
• Abstract: Antibiotic Resistance (AR) is a critical global health challenge that necessitates the development of cost-effective, efficient, and accurate diagnostic tools. Given the genetic basis of AR, techniques such as Polymerase Chain Reaction (PCR) that target specific resistance genes offer a promising approach for predictive diagnostics using a limited set of key genes. This study introduces GenoARM, a novel framework that integrates reinforcement learning (RL) with transformer-based models to optimize the selection of PCR gene tests and improve AR predictions, leveraging observed metadata for improved accuracy. In our evaluation, we developed several high-performing baselines and compared them using publicly available datasets derived from real-world bacterial samples representing multiple clinically relevant pathogens. The results show that all evaluated methods achieve strong and reliable performance when metadata is not utilized. When metadata is introduced and the number of selected genes increases, GenoARM demonstrates superior performance due to its capacity to approximate rewards for unseen and sparse combinations. Overall, our framework represents a major advancement in optimizing diagnostic tools for AR in clinical settings.
• Abstract（参考訳）: 抗生物質耐性 (AR) は、費用対効果、効率、正確な診断ツールの開発を必要とする重要な世界的な健康問題である。 ARの遺伝的基盤を考えると、特定の抵抗性遺伝子を標的とするPCR(Polymerase Chain Reaction)のような技術は、限られたキー遺伝子を用いた予測診断に有望なアプローチを提供する。 本研究は、PCR遺伝子テストの選択を最適化し、AR予測を改善するために強化学習(RL)とトランスフォーマーベースのモデルを統合する新しいフレームワークであるGenoARMを紹介する。 本評価では, 臨床関連病原体を表わす実世界の細菌サンプルから得られたデータセットを用いて, 高い性能のベースラインを複数開発し, 比較した。 その結果,メタデータが利用されない場合,評価手法はすべて,強靭で信頼性の高い性能が得られることがわかった。 メタデータが導入され、選択された遺伝子数が増加すると、GenoARMは、見当たらない結合とスパースの組み合わせに対する報酬を近似する能力のために、優れたパフォーマンスを示す。 概して,本フレームワークは臨床現場におけるAR診断ツールの最適化に大きく貢献している。

関連論文リスト

• scGSDR: Harnessing Gene Semantics for Single-Cell Pharmacological Profiling [5.831554646284266]
  scGSDRは、細胞状態と遺伝子シグナル伝達経路の知識に基づく2つの計算パイプラインを統合するモデルである。 scGSDRは、遺伝子セマンティクスを組み込んで予測性能を高め、解釈可能性モジュールを使用する。 モデルはシングルドラッグの予測からドラッグの組み合わせを含むシナリオまで拡張された。
  論文  参考訳（メタデータ） (2025-02-02T15:43:20Z)
• Survey and Improvement Strategies for Gene Prioritization with Large Language Models [61.24568051916653]
  大規模言語モデル (LLM) は, 医学検査において良好に機能しているが, 希少な遺伝疾患の診断における有効性は評価されていない。 表現型と可溶性レベルに基づいて, マルチエージェントとヒトフェノタイプオントロジー(HPO)を分類した。 ベースラインでは、GPT-4は他のLLMよりも優れており、因果遺伝子を正しくランク付けする際の精度は30%近く向上した。
  論文  参考訳（メタデータ） (2025-01-30T23:03:03Z)
• Prediction of Lung Metastasis from Hepatocellular Carcinoma using the SEER Database [0.9055332067000195]
  肝細胞癌(HCC)は、がん関連死亡の原因である。 HCCにおける肺転移の予測モデルは、範囲と臨床応用性に限られている。 本研究では,Surveillance, Epidemiology, End Results (SEER)データベースのデータを用いて,エンドツーエンドの機械学習パイプラインの開発と検証を行う。
  論文  参考訳（メタデータ） (2025-01-20T20:06:31Z)
• Active learning for efficient discovery of optimal gene combinations in the combinatorial perturbation space [13.409130886920579]
  NAIADは、最適な遺伝子ペアを効率的に発見する、アクティブな学習フレームワークである。 4つのCRISPR摂動データセットで、合計35万以上の遺伝子相互作用が評価された。 我々のフレームワークは、新規で効果的な遺伝子の組み合わせの同定を改善し、CRISPRライブラリーの設計をより効率的にする。
  論文  参考訳（メタデータ） (2024-11-18T19:49:51Z)
• MMed-RAG: Versatile Multimodal RAG System for Medical Vision Language Models [49.765466293296186]
  近年,Med-LVLM (Med-LVLMs) の進歩により,対話型診断ツールの新たな可能性が高まっている。 Med-LVLMは、しばしば事実の幻覚に悩まされ、誤った診断につながることがある。 我々は,Med-LVLMの現実性を高めるために,多目的マルチモーダルRAGシステムMMed-RAGを提案する。
  論文  参考訳（メタデータ） (2024-10-16T23:03:27Z)
• Enhanced Gene Selection in Single-Cell Genomics: Pre-Filtering Synergy and Reinforced Optimization [16.491060073775884]
  単一セルゲノミクスにおけるクラスタリングタスクに適用可能な反復的遺伝子パネル選択戦略を提案する。 本手法は、他の遺伝子選択アルゴリズムの結果を統合し、重要な予備的境界を提供する。 強化学習(RL)における探索プロセスの性質と,その連続最適化能力を取り入れた。
  論文  参考訳（メタデータ） (2024-06-11T16:21:33Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• TCR: A Transformer Based Deep Network for Predicting Cancer Drugs Response [12.86640026993276]
  抗がん剤反応を予測するために,トランスフォーマーを用いたがん薬物応答(TCR)ネットワークを提案する。 注意機構を利用することで、TCRは薬物原子/サブ構造と分子シグネチャの相互作用を効率的に学習することができる。 本研究は,TCRの予測能力と癌薬物の再利用と腫瘍学の精度向上に寄与する可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2022-07-10T13:01:54Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。