論文の概要: Multi-Omics Analysis for Cancer Subtype Inference via Unrolling Graph Smoothness Priors

• arxiv url: http://arxiv.org/abs/2508.06257v1
• Date: Fri, 08 Aug 2025 12:22:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.225168
• Title: Multi-Omics Analysis for Cancer Subtype Inference via Unrolling Graph Smoothness Priors
• Title（参考訳）: グラフの平滑化を優先したガンサブタイプ推論のためのマルチオミクス解析
• Authors: Jielong Lu, Zhihao Wu, Jiajun Yu, Jiajun Bu, Haishuai Wang,
• Abstract要約: マルチオミクス癌サブタイプ分類(GTMancer)のためのグラフ変換器というフレームワークを提案する。 このフレームワークは、GNN最適化問題の上に構築され、複雑なマルチオミクスデータに応用範囲を広げる。 7つの実世界のがんデータセットに関する実証実験は、GTMancerが既存の最先端アルゴリズムより優れていることを示した。
• 参考スコア（独自算出の注目度）: 10.102510875040169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Integrating multi-omics datasets through data-driven analysis offers a comprehensive understanding of the complex biological processes underlying various diseases, particularly cancer. Graph Neural Networks (GNNs) have recently demonstrated remarkable ability to exploit relational structures in biological data, enabling advances in multi-omics integration for cancer subtype classification. Existing approaches often neglect the intricate coupling between heterogeneous omics, limiting their capacity to resolve subtle cancer subtype heterogeneity critical for precision oncology. To address these limitations, we propose a framework named Graph Transformer for Multi-omics Cancer Subtype Classification (GTMancer). This framework builds upon the GNN optimization problem and extends its application to complex multi-omics data. Specifically, our method leverages contrastive learning to embed multi-omics data into a unified semantic space. We unroll the multiplex graph optimization problem in that unified space and introduce dual sets of attention coefficients to capture structural graph priors both within and among multi-omics data. This approach enables global omics information to guide the refining of the representations of individual omics. Empirical experiments on seven real-world cancer datasets demonstrate that GTMancer outperforms existing state-of-the-art algorithms.
• Abstract（参考訳）: データ駆動分析によるマルチオミクスデータセットの統合は、様々な疾患、特にがんの根底にある複雑な生物学的プロセスの包括的理解を提供する。 グラフニューラルネットワーク(GNN)は、最近、生物学的データのリレーショナル構造を利用することで、がんサブタイプ分類のためのマルチオミクス統合の進歩を可能にした。 既存のアプローチは、しばしば不均一なオミクスの間の複雑な結合を無視し、精度のオンコロジーに不可欠な微妙ながんサブタイプの不均一性を解決する能力を制限する。 これらの制約に対処するため,マルチオミクス癌サブタイプ分類(GTMancer)のためのグラフトランスフォーマー(Graph Transformer)というフレームワークを提案する。 このフレームワークは、GNN最適化問題の上に構築され、複雑なマルチオミクスデータに応用範囲を広げる。 具体的には、コントラスト学習を利用して、マルチオミクスデータを統一的なセマンティック空間に埋め込む。 我々は、その統一空間において多重グラフ最適化問題を解き、マルチオミクスデータの内および間における構造グラフの先行値を捉えるために、注意係数の2つの組を導入する。 このアプローチにより、グローバルオミクス情報により、個々のオミクスの表現の洗練を導くことができる。 7つの実世界のがんデータセットに関する実証実験は、GTMancerが既存の最先端アルゴリズムより優れていることを示した。

関連論文リスト

• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [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)
• LASSO-MOGAT: A Multi-Omics Graph Attention Framework for Cancer Classification [41.94295877935867]
  本稿では,メッセンジャーRNA,マイクロRNA,DNAメチル化データを統合し,31種類のがんを分類するグラフベースのディープラーニングフレームワークLASSO-MOGATを紹介する。
  論文  参考訳（メタデータ） (2024-08-30T16:26:04Z)
• Heterogeneous graph attention network improves cancer multiomics integration [8.729516996214537]
  癌診断を改善するため,オミクス統合のための異種グラフアテンションネットワーク(HeteroGATomics)を導入する。 3つのがんマルチオミクスデータセットの実験は、HeteroGATomicsのがん診断における優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-08-05T22:01:13Z)
• Embedding-based Multimodal Learning on Pan-Squamous Cell Carcinomas for Improved Survival Outcomes [0.0]
  PARADIGMは、マルチモーダルで異質なデータセットから学習し、臨床結果の予測を改善するフレームワークである。 膵扁平上皮癌においてGNNを訓練し,Moffitt Cancer Center肺SCCデータに対するアプローチを検証した。 我々のソリューションは、患者の状況を包括的に理解することを目的としており、異種データ統合と最大データビューの収束の利点についての洞察を提供する。
  論文  参考訳（メタデータ） (2024-06-11T22:19:14Z)
• 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)
• 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)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• 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 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。