論文の概要: Generalized promotion time cure model: A new modeling framework to identify cell-type-specific genes and improve survival prognosis

• arxiv url: http://arxiv.org/abs/2509.01001v1
• Date: Sun, 31 Aug 2025 21:35:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.496241
• Title: Generalized promotion time cure model: A new modeling framework to identify cell-type-specific genes and improve survival prognosis
• Title（参考訳）: 一般化促進時間治療モデル:細胞型特異的遺伝子を同定し生存予後を改善するための新しいモデリングフレームワーク
• Authors: Zhi Zhao, Fatih Kizilaslan, Shixiong Wang, Manuela Zucknick,
• Abstract要約: 単細胞技術は、がん細胞と関連する腫瘍微小環境の間の相互作用を分離する前例のない機会を提供する。 本稿では, 細胞型特異的遺伝子を同定し, 癌予後を改善するため, マルチスケールデータ統合のためのベイズ一般化促進時間治療モデル(GPTCM)のクラスを提案する。
• 参考スコア（独自算出の注目度）: 2.117421588033177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Single-cell technologies provide an unprecedented opportunity for dissecting the interplay between the cancer cells and the associated tumor microenvironment, and the produced high-dimensional omics data should also augment existing survival modeling approaches for identifying tumor cell type-specific genes predictive of cancer patient survival. However, there is no statistical model to integrate multiscale data including individual-level survival data, multicellular-level cell composition data and cellular-level single-cell omics covariates. We propose a class of Bayesian generalized promotion time cure models (GPTCMs) for the multiscale data integration to identify cell-type-specific genes and improve cancer prognosis. We demonstrate with simulations in both low- and high-dimensional settings that the proposed Bayesian GPTCMs are able to identify cell-type-associated covariates and improve survival prediction.
• Abstract（参考訳）: 単一細胞技術は、がん細胞と関連する腫瘍微小環境との相互作用を識別する前例のない機会を提供する。 しかし, 細胞レベルでの生存データ, 細胞レベルでの細胞組成データ, 細胞レベルでの単細胞オミクス共変量を含むマルチスケールデータを統合する統計モデルは存在しない。 本稿では, 細胞型特異的遺伝子を同定し, 癌予後を改善するため, マルチスケールデータ統合のためのベイズ一般化促進時間治療モデル(GPTCM)のクラスを提案する。 提案したベイズGPTCMは,細胞型関連共変体を同定し,生存予測を改善することができる,低次元と高次元の両方でシミュレーションを行った。

関連論文リスト

• scMamba: A Scalable Foundation Model for Single-Cell Multi-Omics Integration Beyond Highly Variable Feature Selection [5.139014238424409]
  scMambaはシングルセルのマルチオミクスデータを事前のフィーチャ選択を必要とせずに統合するために設計されたモデルである。 scMambaは、高次元のスパースシングルセルマルチオミクスデータから豊富な生物学的洞察を蒸留する。 われわれは scMamba を大規模シングルセルマルチオミクス統合の強力なツールとして位置づけた。
  論文  参考訳（メタデータ） (2025-06-25T12:58:01Z)
• Multi-Modal and Multi-Attribute Generation of Single Cells with CFGen [76.02070962797794]
  本研究では、単一セルデータ固有の離散性を保存するフローベースの条件生成モデルであるCellFlow for Generation (CFGen)を紹介する。 CFGenは、全ゲノムマルチモーダル単一セルデータを確実に生成し、重要な生物学的データ特性の回復を改善する。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• 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)
• 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)
• HoneyBee: A Scalable Modular Framework for Creating Multimodal Oncology Datasets with Foundational Embedding Models [11.03503711055749]
  HONeYBEEは、腫瘍学の応用のために、マルチモーダルなバイオメディカルデータを統合したオープンソースのフレームワークである。 臨床データ(構造化および非構造化)、全スライダー画像、放射線スキャン、分子プロファイルを処理し、統合された患者レベルの埋め込みを生成する。 これらの埋め込みは生存予測、がん型の分類、患者の類似性検索、コホートクラスタリングを可能にする。
  論文  参考訳（メタデータ） (2024-05-13T04:35:14Z)
• 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)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model Learning with Application to Genomic Data Integration [0.0]
  本稿では,異なるタイプのマルチオミックデータを解析するための混合グラフィカルモデルを提案する。 モデル選択結果の計算効率と精度の両面で,本手法が優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-08T16:34:58Z)

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。