論文の概要: Bayesian Cox model with graph-structured variable selection priors for multi-omics biomarker identification

• arxiv url: http://arxiv.org/abs/2503.13078v1
• Date: Mon, 17 Mar 2025 11:33:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:15:02.380977
• Title: Bayesian Cox model with graph-structured variable selection priors for multi-omics biomarker identification
• Title（参考訳）: マルチオミクスバイオマーカー同定のためのグラフ構造可変選択先を持つベイズコックスモデル
• Authors: Tobias Østmo Hermansen, Manuela Zucknick, Zhi Zhao,
• Abstract要約: 本稿では,マルチオミクス特徴のスパース同定のために,グラフ構造選択を前提とした半パラメトリックベイズコックスモデルを提案する。 提案モデルにより, より信頼性が高く, 安定な変数選択や, 非初期生存予測が可能となることを示す。 The Cancer Genome Atlas Project の乳がん患者データに本モデルを適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: An important goal in cancer research is the survival prognosis of a patient based on a minimal panel of genomic and molecular markers such as genes or proteins. Purely data-driven models without any biological knowledge can produce non-interpretable results. We propose a penalized semiparametric Bayesian Cox model with graph-structured selection priors for sparse identification of multi-omics features by making use of a biologically meaningful graph via a Markov random field (MRF) prior to capturing known relationships between multi-omics features. Since the fixed graph in the MRF prior is for the prior probability distribution, it is not a hard constraint to determine variable selection, so the proposed model can verify known information and has the potential to identify new and novel biomarkers for drawing new biological knowledge. Our simulation results show that the proposed Bayesian Cox model with graph-based prior knowledge results in more trustable and stable variable selection and non-inferior survival prediction, compared to methods modeling the covariates independently without any prior knowledge. The results also indicate that the performance of the proposed model is robust to a partially correct graph in the MRF prior, meaning that in a real setting where not all the true network information between covariates is known, the graph can still be useful. The proposed model is applied to the primary invasive breast cancer patients data in The Cancer Genome Atlas project.
• Abstract（参考訳）: がん研究における重要なゴールは、遺伝子やタンパク質のようなゲノムマーカーと分子マーカーの最小パネルに基づく患者の生存予後である。 生物学的知識のない純粋にデータ駆動モデルでは、非解釈可能な結果が得られる。 我々は,マルチオミクス特徴間の既知の関係を捉える前に,マルコフ確率場(MRF)を介して生物学的に有意なグラフを用いることにより,マルチオミクス特徴のスパース同定のためのグラフ構造選択を先取りした半パラメトリックベイズコックスモデルを提案する。 MRFの前の固定グラフは、事前の確率分布のため、変数の選択を決定することは難しい制約ではないため、提案モデルは、既知の情報を検証することができ、新しい生物学的知識を引き出すための新しい新しいバイオマーカーを特定できる可能性がある。 シミュレーションの結果,グラフに基づく事前知識を用いたベイズコックスモデルでは,従来の知識を使わずに共変体をモデル化する手法と比較して,より信頼性が高く安定な変数選択と非初期生存予測が可能であることが示唆された。 また, 提案モデルの性能は, MRF前の部分的正グラフに対して頑健であり, 共変量間の真のネットワーク情報がすべて分かっていない実環境では, グラフが有用であることを示す。 The Cancer Genome Atlas Project の乳がん患者データに本モデルを適用した。

関連論文リスト

• xCG: Explainable Cell Graphs for Survival Prediction in Non-Small Cell Lung Cancer [10.515405477496735]
  生存予測のための説明可能なセルグラフ(xCG)を提案する。 肺腺癌416例に対する画像量(IMC)データの公開コホートによる検討を行った。
  論文  参考訳（メタデータ） (2024-11-12T08:53:49Z)
• Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
  本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。 IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。 本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
  論文  参考訳（メタデータ） (2024-04-24T03:25:53Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Towards a Transportable Causal Network Model Based on Observational Healthcare Data [1.333879175460266]
  本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。 このモデルは、患者の2つの異なるコホートからなるデータから学習する。 結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
  論文  参考訳（メタデータ） (2023-11-13T13:23:31Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• XOmiVAE: an interpretable deep learning model for cancer classification using high-dimensional omics data [17.697184123548503]
  我々は,高次元オミクスデータを用いた癌分類のための新しい解釈可能な深層学習モデルXOmiVAEを提案する。 XOmiVAEは、特定の予測のために各遺伝子と潜伏次元の寄与値を得ることができる。 また、XOmiVAEは、教師なし分類と教師なしクラスタリングの結果の両方をディープラーニングネットワークから説明できることを明らかにした。
  論文  参考訳（メタデータ） (2021-05-26T19:55:12Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Data-Driven Logistic Regression Ensembles With Applications in Genomics [0.0]
  本稿では,正規化とアンサンブルのアイデアを組み合わせた高次元二項分類問題に対する新しいアプローチを提案する。 がん,多発性硬化症,乾皮症などの共通疾患を含むいくつかの医学的データセットを用いて,バイオマーカーの予測精度と同定の点で,本手法の優れた性能を実証した。
  論文  参考訳（メタデータ） (2021-02-17T05:57:26Z)
• 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)

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。