論文の概要: Transforming Multi-Omics Integration with GANs: Applications in Alzheimer's and Cancer

• arxiv url: http://arxiv.org/abs/2510.19870v1
• Date: Wed, 22 Oct 2025 05:55:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:16.427662
• Title: Transforming Multi-Omics Integration with GANs: Applications in Alzheimer's and Cancer
• Title（参考訳）: GANを併用した多眼症への転換 : アルツハイマー・癌への応用
• Authors: Md Selim Reza, Sabrin Afroz, Mostafizer Rahman, Md Ashad Alam,
• Abstract要約: 我々は,高品質な合成マルチオミクスプロファイルを生成するために,GAN(Generative Adversarial Network)ベースのフレームワークであるOmics-GANを紹介する。 アルツハイマー病に対するROSMAPコホートを用いた3種類のオミクス(mRNA,メチル化,DNAメチル化)に対するOmics-GANの試験を行った。 5倍のクロスバリデーションを繰り返したサポートベクターマシン(SVM)は、元のオミクスプロファイルと比較して予測精度を向上した。 Boxplot分析では、合成データはノイズや外れ値を低減しつつ統計分布を保存していることを確認した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-omics data integration is crucial for understanding complex diseases, yet limited sample sizes, noise, and heterogeneity often reduce predictive power. To address these challenges, we introduce Omics-GAN, a Generative Adversarial Network (GAN)-based framework designed to generate high-quality synthetic multi-omics profiles while preserving biological relationships. We evaluated Omics-GAN on three omics types (mRNA, miRNA, and DNA methylation) using the ROSMAP cohort for Alzheimer's disease (AD) and TCGA datasets for colon and liver cancer. A support vector machine (SVM) classifier with repeated 5-fold cross-validation demonstrated that synthetic datasets consistently improved prediction accuracy compared to original omics profiles. The AUC of SVM for mRNA improved from 0.72 to 0.74 in AD, and from 0.68 to 0.72 in liver cancer. Synthetic miRNA enhanced classification in colon cancer from 0.59 to 0.69, while synthetic methylation data improved performance in liver cancer from 0.64 to 0.71. Boxplot analyses confirmed that synthetic data preserved statistical distributions while reducing noise and outliers. Feature selection identified significant genes overlapping with original datasets and revealed additional candidates validated by GO and KEGG enrichment analyses. Finally, molecular docking highlighted potential drug repurposing candidates, including Nilotinib for AD, Atovaquone for liver cancer, and Tecovirimat for colon cancer. Omics-GAN enhances disease prediction, preserves biological fidelity, and accelerates biomarker and drug discovery, offering a scalable strategy for precision medicine applications.
• Abstract（参考訳）: 複雑な疾患を理解するためには、マルチオミクスのデータ統合が不可欠であるが、サンプルサイズ、ノイズ、不均一性は予測力を低下させることが多い。 これらの課題に対処するために,生物関係を保ちながら高品質な合成マルチオミクスプロファイルを生成するために設計されたGAN(Generative Adversarial Network)ベースのフレームワークであるOmics-GANを紹介する。 ROSMAPコホートを用いた3種類のオミクス(mRNA,miRNA,DNAメチル化)のOmics-GANの評価を行った。 5倍のクロスバリデーションを繰り返したサポートベクターマシン(SVM)分類器は、合成データセットが元のオミクスプロファイルと比較して予測精度を一貫して向上することを示した。 mRNAに対するSVMのAUCはADでは0.72から0.74に改善し、肝がんでは0.68から0.72に改善した。 合成miRNAは大腸癌の分類を0.59から0.69に、合成メチル化データは0.64から0.71に改善した。 Boxplot分析では、合成データはノイズや外れ値を低減しつつ統計分布を保存していることを確認した。 特徴選択により、元のデータセットと重複する重要な遺伝子を同定し、GOおよびKEGGエンリッチメント分析によって検証された追加候補を明らかにした。 最後に、分子ドッキングは、ADのニロチニブ、肝がんのアトバクオネ、大腸癌のテコビリマトなど、潜在的な薬物再投与候補を強調した。 Omics-GANは病気の予測を強化し、生物学的忠実性を保ち、バイオマーカーと薬物発見を加速し、精密医療応用のためのスケーラブルな戦略を提供する。

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)
• scMamba: A Pre-Trained Model for Single-Nucleus RNA Sequencing Analysis in Neurodegenerative Disorders [43.24785083027205]
  scMambaは、snRNA-seq解析の品質と実用性を改善するために設計された事前訓練モデルである。 最近のMambaモデルにインスパイアされた scMamba は、線形アダプタ層、遺伝子埋め込み、双方向のMambaブロックを組み込んだ新しいアーキテクチャを導入している。 scMambaは、セルタイプアノテーション、ダブルト検出、インプット、差分表現された遺伝子の同定など、様々な下流タスクにおいて、ベンチマーク手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-12T11:48:22Z)
• Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
  我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。 その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。 今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
  論文  参考訳（メタデータ） (2024-12-17T18:07:40Z)
• 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)
• BioFusionNet: Deep Learning-Based Survival Risk Stratification in ER+ Breast Cancer Through Multifeature and Multimodal Data Fusion [16.83901927767791]
  画像から得られる特徴を遺伝的・臨床的データと融合して全体像を得る深層学習フレームワークであるBioFusionNetを提案する。 本モデルでは, 平均一致率0.77, 曲線0.84の時間依存領域を達成し, 最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2024-02-16T14:19:33Z)
• Pathology-and-genomics Multimodal Transformer for Survival Outcome Prediction [43.1748594898772]
  大腸癌生存予測に病理学とゲノム学的知見を統合したマルチモーダルトランスフォーマー(PathOmics)を提案する。 ギガピクセル全スライド画像における組織ミクロ環境間の内在的相互作用を捉えるための教師なし事前訓練を強調した。 我々は,TCGA大腸癌と直腸癌コホートの両方に対するアプローチを評価し,提案手法は競争力があり,最先端の研究より優れていることを示す。
  論文  参考訳（メタデータ） (2023-07-22T00:59:26Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)

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。