論文の概要: Robust Multi-Omics Integration from Incomplete Modalities Significantly Improves Prediction of Alzheimer's Disease

• arxiv url: http://arxiv.org/abs/2509.20842v1
• Date: Thu, 25 Sep 2025 07:29:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-26 20:58:12.756674
• Title: Robust Multi-Omics Integration from Incomplete Modalities Significantly Improves Prediction of Alzheimer's Disease
• Title（参考訳）: 不完全モードからのロバスト多眼症統合はアルツハイマー病の予測を著しく改善する
• Authors: Sungjoon Park, Kyungwook Lee, Soorin Yim, Doyeong Hwang, Dongyun Kim, Soonyoung Lee, Amy Dunn, Daniel Gatti, Elissa Chesler, Kristen O'Connell, Kiyoung Kim,
• Abstract要約: MOIRA(Multi-Omics Integration with Robustness to Absent modalities)は、不完全なオミクスデータから堅牢な学習を可能にする早期統合手法である。 アルツハイマー病(AD)に対する宗教秩序研究と記憶・老化プロジェクトデータセットの評価
• 参考スコア（独自算出の注目度）: 3.5072431853663004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-omics data capture complex biomolecular interactions and provide insights into metabolism and disease. However, missing modalities hinder integrative analysis across heterogeneous omics. To address this, we present MOIRA (Multi-Omics Integration with Robustness to Absent modalities), an early integration method enabling robust learning from incomplete omics data via representation alignment and adaptive aggregation. MOIRA leverages all samples, including those with missing modalities, by projecting each omics dataset onto a shared embedding space where a learnable weighting mechanism fuses them. Evaluated on the Religious Order Study and Memory and Aging Project (ROSMAP) dataset for Alzheimer's Disease (AD), MOIRA outperformed existing approaches, and further ablation studies confirmed modality-wise contributions. Feature importance analysis revealed AD-related biomarkers consistent with prior literature, highlighting the biological relevance of our approach.
• Abstract（参考訳）: マルチオミクスデータは複雑な生体分子の相互作用を捉え、代謝と疾患に関する洞察を与える。 しかし、モダリティの欠如は、不均一なオミクス間の積分解析を妨げる。 そこで本研究では,不完全なオミクスデータからアダプティブアグリゲーション(アダプティブアグリゲーション)とアダプティブアグリゲーション(アダプティブアグリゲーション)を通じて頑健な学習を可能にする初期統合手法であるMOIRAを提案する。 MOIRAは、各オミクスデータセットを学習可能な重み付け機構が融合する共有埋め込み空間に投影することで、モダリティの欠如を含むすべてのサンプルを活用する。 アルツハイマー病(AD)のための宗教秩序研究・記憶・老化プロジェクト(ROSMAP)データセットの評価により、MOIRAは既存のアプローチよりも優れており、さらなるアブレーション研究により、モダリティに関する貢献が確認された。 AD関連バイオマーカーが先行文献と一致し,本手法の生物学的意義が明らかとなった。

関連論文リスト

• An Interpretable Ensemble Framework for Multi-Omics Dementia Biomarker Discovery Under HDLSS Conditions [0.0]
  本稿では、グラフ注意ネットワーク(GAT)、マルチOmics Variational AutoEncoder(MOVE)、Elastic-net sparse regression、Storey's False Discovery Rate(FDR)を組み合わせた新しいアンサンブル手法を提案する。 シミュレーションされたマルチオミクスデータとアルツハイマー病神経画像イニシアチブ(ADNI)データセットを用いて評価を行った。 本手法は, 優れた予測精度, 特徴選択精度, 生物学的妥当性を示す。
  論文  参考訳（メタデータ） (2025-09-04T15:20:13Z)
• Multi-modal Integration Analysis of Alzheimer's Disease Using Large Language Models and Knowledge Graphs [0.33554367023486936]
  本稿では,大規模言語モデル(LLM)と知識グラフを用いたアルツハイマー病(AD)研究において,断片化されたマルチモーダルデータを統合するための新しい枠組みを提案する。 本手法は,MRI,遺伝子発現,バイオマーカー,脳波,臨床指標の集団レベルでの統合を実証する。
  論文  参考訳（メタデータ） (2025-05-21T16:51:49Z)
• MIRROR: Multi-Modal Pathological Self-Supervised Representation Learning via Modality Alignment and Retention [57.044719143401664]
  病理組織学と転写学は、腫瘍学の基本的なモダリティであり、疾患の形態学的および分子的側面を包含している。 モーダルアライメントと保持を両立させる新しいマルチモーダル表現学習法であるMIRRORを提案する。 がんの亜型化と生存分析のためのTCGAコホートに関する広範囲な評価は,MIRRORの優れた性能を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-03-01T07:02:30Z)
• An interpretable generative multimodal neuroimaging-genomics framework for decoding Alzheimer's disease [13.213387075528017]
  アルツハイマー病(英語: Alzheimer's disease, AD)は、認知機能障害(Mild Cognitive Impairment, MCI)として知られる前ドロマステージを含む認知症である。 この研究の目的は、マルチモーダルMRIデータと単一核化物多型に依存する脳構造と機能の構造的・機能的調節を捉えることである。
  論文  参考訳（メタデータ） (2024-06-19T07:31:47Z)
• Integrate Any Omics: Towards genome-wide data integration for patient stratification [6.893309898200498]
  IntegrAOは、不完全なマルチオミクスデータを統合し、新しいサンプルを分類するための教師なしのフレームワークである。 不均一データや不完全データを扱うIntegratedAOの能力は、精度オンコロジーに不可欠なツールである。
  論文  参考訳（メタデータ） (2024-01-15T19:57:07Z)
• Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
  本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。 アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-25T16:29:16Z)
• 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)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)

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。