論文の概要: Advancing Digital Precision Medicine for Chronic Fatigue Syndrome through Longitudinal Large-Scale Multi-Modal Biological Omics Modeling with Machine Learning and Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2506.15761v1
• Date: Wed, 18 Jun 2025 15:31:26 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-06-24 14:34:45.732218
• Title: Advancing Digital Precision Medicine for Chronic Fatigue Syndrome through Longitudinal Large-Scale Multi-Modal Biological Omics Modeling with Machine Learning and Artificial Intelligence
• Title（参考訳）: 慢性疲労症候群に対するデジタル精密医療の適応 : 機械学習と人工知能を用いた大規模多モード生体眼のモデリング
• Authors: Ruoyun Xiong,
• Abstract要約: 筆者らは,ME/CFSの最もリッチな長手マルチオミクスデータセットを用いた,説明可能なDeep LearningフレームワークであるBioMapAIを開発した。 このデータセットには、腸メダゲノミクス、血漿代謝、免疫プロファイリング、血液検査、臨床症状が含まれる。 マルチオミクスを症状マトリックスに接続することにより、BioMapAIは疾患特異的バイオマーカーと症状特異的バイオマーカーの両方を特定し、症状を再構築し、疾患分類における最先端の精度を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We studied a generalized question: chronic diseases like ME/CFS and long COVID exhibit high heterogeneity with multifactorial etiology and progression, complicating diagnosis and treatment. To address this, we developed BioMapAI, an explainable Deep Learning framework using the richest longitudinal multi-omics dataset for ME/CFS to date. This dataset includes gut metagenomics, plasma metabolome, immune profiling, blood labs, and clinical symptoms. By connecting multi-omics to a symptom matrix, BioMapAI identified both disease- and symptom-specific biomarkers, reconstructed symptoms, and achieved state-of-the-art precision in disease classification. We also created the first connectivity map of these omics in both healthy and disease states and revealed how microbiome-immune-metabolome crosstalk shifted from healthy to ME/CFS.
• Abstract（参考訳）: 我々は、ME/CFSや長鎖COVIDウイルスなどの慢性疾患は多因子性エチオロジーと進行を伴う高い不均一性を示し、診断と治療が複雑である、という一般的な質問を投げかけた。 そこで我々は,ME/CFSのマルチオミクスデータセットを多用した,説明可能なDeep LearningフレームワークであるBioMapAIを開発した。 このデータセットには、腸メダゲノミクス、血漿代謝、免疫プロファイリング、血液検査、臨床症状が含まれる。 マルチオミクスを症状マトリックスに接続することにより、BioMapAIは疾患特異的バイオマーカーと症状特異的バイオマーカーの両方を特定し、症状を再構築し、疾患分類における最先端の精度を達成した。 また、健康状態と疾患状態の両方において、これらのオミクスの最初の接続マップを作成し、マイクロバイオーム免疫メタボロームのクロストークが健康状態からME/CFSにどのように移行したかを明らかにした。

関連論文リスト

• Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification, An Interpretable Multi-Omics Approach [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• Comparative Analysis of Multi-Omics Integration Using Advanced Graph Neural Networks for Cancer Classification [40.45049709820343]
  マルチオミクスデータ統合は、高次元性、データ複雑さ、および様々なオミクスタイプの異なる特徴により、大きな課題を生じさせる。 本研究では、グラフ畳み込みネットワーク(GCN)、グラフアテンションネットワーク(GAT)、グラフトランスフォーマーネットワーク(GTN)に基づくマルチオミクス(MO)統合のための3つのグラフニューラルネットワークアーキテクチャを評価する。
  論文  参考訳（メタデータ） (2024-10-05T16:17:44Z)
• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
  そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。 PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。 腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
  論文  参考訳（メタデータ） (2024-04-11T09:07:40Z)
• MIRACLE: Multi-task Learning based Interpretable Regulation of Autoimmune Diseases through Common Latent Epigenetics [1.8632273262541308]
  MIRACLEは、複数のデータセットを統合し、DNAメチル化の共通パターンを共同で識別する新しい解釈可能なニューラルネットワークである。 関節リウマチ、全身性エリテマトーデス、多発性硬化症、炎症性腸疾患、乾質症、糖尿病1型を含む6つのデータセットで試験された。
  論文  参考訳（メタデータ） (2023-06-24T05:10:43Z)
• CLCLSA: Cross-omics Linked embedding with Contrastive Learning and Self Attention for multi-omics integration with incomplete multi-omics data [47.2764293508916]
  不均一・高次元マルチオミクスデータの統合は、遺伝データの理解においてますます重要になっている。 マルチオミクスデータ統合を行う際に直面する障害のひとつは、機器の感度とコストによる未ペアリングマルチオミクスデータの存在である。 クロスオミクスを用いたマルチオミクス統合のための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-12T00:22:18Z)
• 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)
• 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)
• 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)
• Inflammatory Bowel Disease Biomarkers of Human Gut Microbiota Selected via Ensemble Feature Selection Methods [0.0]
  炎症性腸疾患(IBD)、糖尿病、がんは炎症性腸疾患(IBD)、糖尿病、がんなどのいくつかの疾患を引き起こすことがある。 IBDは腸関連疾患であり、腸内細菌叢からの逸脱はIBDと関連していると考えられている。 本研究は、教師付き機械学習アルゴリズムと教師なし機械学習アルゴリズムを用いて、IBD診断を支援する分類モデルを生成する。
  論文  参考訳（メタデータ） (2020-01-08T13:17:26Z)

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。