論文の概要: Robust Gene Prioritization via Fast-mRMR Feature Selection in high-dimensional omics data

• arxiv url: http://arxiv.org/abs/2511.21211v1
• Date: Wed, 26 Nov 2025 09:41:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.038848
• Title: Robust Gene Prioritization via Fast-mRMR Feature Selection in high-dimensional omics data
• Title（参考訳）: 高次元オミクスデータにおける高速mRMR特徴選択によるロバスト遺伝子優先順位付け
• Authors: Rubén Fernández-Farelo, Jorge Paz-Ruza, Bertha Guijarro-Berdiñas, Amparo Alonso-Betanzos, Alex A. Freitas,
• Abstract要約: 既存の方法は、バイオメディカルデータの高次元性と不完全なラベル付けに苦慮している。 この研究は、Fast-mRMR機能選択を活用する、より堅牢で効率的なパイプラインを提案する。 食事制限データセットの実験は、既存の方法よりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 3.5395196881025446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gene prioritization (identifying genes potentially associated with a biological process) is increasingly tackled with Artificial Intelligence. However, existing methods struggle with the high dimensionality and incomplete labelling of biomedical data. This work proposes a more robust and efficient pipeline that leverages Fast-mRMR feature selection to retain only relevant, non-redundant features for classifiers. This enables us to build simpler and more effective models, as well as to combine different biological feature sets. Experiments on Dietary Restriction datasets show significant improvements over existing methods, proving that feature selection can be critical for reliable gene prioritization.
• Abstract（参考訳）: 遺伝子の優先順位付け(生物学的プロセスに関連する可能性のある遺伝子を特定する)は人工知能にますます取り組まれている。 しかし、既存の手法は、バイオメディカルデータの高次元性と不完全なラベル付けに苦慮している。 この研究は、より堅牢で効率的なパイプラインを提案し、Fast-mRMR機能の選択を利用して、分類器の非冗長な機能のみを保持する。 これにより、よりシンプルで効果的なモデルを構築し、異なる生物学的特徴セットを組み合わせることができます。 食事制限データセットの実験では、既存の方法よりも大幅に改善され、機能選択が信頼できる遺伝子の優先順位付けに重要であることが証明された。

関連論文リスト

• Biological Pathway Guided Gene Selection Through Collaborative Reinforcement Learning [25.2831953927341]
  多エージェント強化学習(MARL)を用いた統計的選択と生物学的経路知識を統合する新しい枠組みを提案する。 本フレームワークは,グラフニューラルネットワークによる状態表現による経路知識,遺伝子中心性と経路被覆性を組み合わせた報酬機構,共有メモリと集中的批判コンポーネントを用いた協調学習戦略を取り入れた。
  論文  参考訳（メタデータ） (2025-05-30T03:01:07Z)
• GRAPE: Heterogeneous Graph Representation Learning for Genetic Perturbation with Coding and Non-Coding Biotype [51.58774936662233]
  遺伝子制御ネットワーク(GRN)の構築は、遺伝的摂動の影響を理解し予測するために不可欠である。 本研究では,事前学習した大規模言語モデルとDNAシークエンスモデルを用いて,遺伝子記述やDNAシークエンスデータから特徴を抽出する。 我々は、遺伝子摂動において初めて遺伝子バイオタイプ情報を導入し、細胞プロセスの制御において異なるバイオタイプを持つ遺伝子の異なる役割をシミュレートした。
  論文  参考訳（メタデータ） (2025-05-06T03:35:24Z)
• BOLIMES: Boruta and LIME optiMized fEature Selection for Gene Expression Classification [0.0937465283958018]
  BOLIMESは、遺伝子発現の分類を強化するために設計された、新しい特徴選択アルゴリズムである。 包括的特徴選択と解釈可能性による洗練を組み合わせ、高次元遺伝子発現解析のための強力なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-02-18T17:33:41Z)
• 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)
• 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)
• Genetic InfoMax: Exploring Mutual Information Maximization in High-Dimensional Imaging Genetics Studies [50.11449968854487]
  遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。 画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。 本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
  論文  参考訳（メタデータ） (2023-09-26T03:59:21Z)
• Genetic heterogeneity analysis using genetic algorithm and network science [2.6166087473624318]
  ゲノムワイド・アソシエーション(GWAS)は、疾患に感受性のある遺伝的変数を同定することができる。 遺伝的効果に絡み合った遺伝的変数は、しばしば低い効果サイズを示す。 本稿では,FCSNet(Feature Co-Selection Network)という,GWASのための新しい特徴選択機構を提案する。
  論文  参考訳（メタデータ） (2023-08-12T01:28:26Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Neural networks for Anatomical Therapeutic Chemical (ATC) [83.73971067918333]
  両方向の長期記憶ネットワーク(BiLSTM)から抽出された集合を含む、特徴の異なるセットで訓練された複数の複数ラベル分類器を組み合わせることを提案する。 実験はこのアプローチのパワーを実証し、文献で報告された最良の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-01-22T19:49:47Z)
• A New Gene Selection Algorithm using Fuzzy-Rough Set Theory for Tumor Classification [0.0]
  本稿では,ファジィ・ルー集合の識別行列を用いた新しい遺伝子選択手法を提案する。 提案手法は、遺伝子選択結果を改善するために、同一のクラスラベルと異なるクラスラベルを持つインスタンスの類似性を考慮に入れている。 実験により, この手法は最先端の手法に比べて効率が良いことを示した。
  論文  参考訳（メタデータ） (2020-03-26T13:43:25Z)

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。