論文の概要: High-Order Epistasis Detection Using Factorization Machine with Quadratic Optimization Annealing and MDR-Based Evaluation

• arxiv url: http://arxiv.org/abs/2601.01860v1
• Date: Mon, 05 Jan 2026 07:41:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.844474
• Title: High-Order Epistasis Detection Using Factorization Machine with Quadratic Optimization Annealing and MDR-Based Evaluation
• Title（参考訳）: 二次最適化アニーリングを用いたファクトリゼーションマシンによる高次エピスタシス検出とMDRによる評価
• Authors: Shuta Kikuchi, Shu Tanaka,
• Abstract要約: 高次てんかんは、候補遺伝子座の組み合わせの爆発による遺伝子関連研究における根本的な課題である。 本稿では,ブラックボックス最適化問題としてエピスタシス検出問題を定義し,分解機を用いて解決する。 本稿では,MDRによって計算される分類誤り率(CER)をブラックボックス目的関数として用いるFMQAに基づく効率的なエピスタシス検出法を提案する。
• 参考スコア（独自算出の注目度）: 0.7519872646378835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting high-order epistasis is a fundamental challenge in genetic association studies due to the combinatorial explosion of candidate locus combinations. Although multifactor dimensionality reduction (MDR) is a widely used method for evaluating epistasis, exhaustive MDR-based searches become computationally infeasible as the number of loci or the interaction order increases. In this paper, we define the epistasis detection problem as a black-box optimization problem and solve it with a factorization machine with quadratic optimization annealing (FMQA). We propose an efficient epistasis detection method based on FMQA, in which the classification error rate (CER) computed by MDR is used as a black-box objective function. Experimental evaluations were conducted using simulated case-control datasets with predefined high-order epistasis. The results demonstrate that the proposed method successfully identified ground-truth epistasis across various interaction orders and the numbers of genetic loci within a limited number of iterations. These results indicate that the proposed method is effective and computationally efficient for high-order epistasis detection.
• Abstract（参考訳）: 高次てんかんの検出は、遺伝子組換えによる遺伝子組換え研究における根本的な課題である。 多要素次元減少法(MDR)は転移を評価するために広く用いられている手法であるが、総括的MDRに基づく探索は、座数や相互作用順序が増加するにつれて計算不能になる。 本稿では,このエピスタシス検出問題をブラックボックス最適化問題として定義し,二次最適化アニーリング(FMQA)を用いた因子化マシンを用いて解決する。 本稿では,MDRによって計算される分類誤り率(CER)をブラックボックス目的関数として用いるFMQAに基づく効率的なエピスタシス検出法を提案する。 シミュレーションされたケースコントロールデータセットを用いて, 事前定義された高次エピスタシスを用いて実験を行った。 その結果, 提案手法は, 様々な相互作用順序および遺伝子座数にまたがって, 限られた反復数で接地構造を同定することに成功した。 これらの結果から,提案手法は高次エピスタシス検出に有効であり,計算効率が高いことが示唆された。

関連論文リスト

• Individualized Multi-Treatment Response Curves Estimation using RBF-net with Shared Neurons [1.1119247609126184]
  反応曲線の非パラメトリックモデリングは、共有された隠れニューロンを持つ放射基底関数(RBF)-ネットに依存している。 本手法をMIMICデータに適用し, 在宅中絶患者に対するICU滞在時間と12時間SOFAスコアに対する異なる治療方法の効果に関する興味深い知見を得た。
  論文  参考訳（メタデータ） (2024-01-29T21:13:01Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Approximate Bayesian Computation Based on Maxima Weighted Isolation Kernel Mapping [0.0]
  この研究は、このタイプのモデルに対するパラメータの正確な評価の問題を解こうとする。 分岐過程モデルのがん細胞進化への応用は、高次元性や興味ある結果の稀な出現など、多くの困難がある。
  論文  参考訳（メタデータ） (2022-01-30T07:11:57Z)
• Efficient Black-Box Importance Sampling for VaR and CVaR Estimation [0.0]
  本稿では,機械学習機能マップなどの高度なオブジェクトから定義された損失のテールリスクを推定するためのImportance Smpling(IS)について考察する。 本稿では,リスクにおける価値とリスクにおける条件的価値を推定するための効率的なISを提案する。
  論文  参考訳（メタデータ） (2021-06-16T01:29:11Z)
• Federated Deep AUC Maximization for Heterogeneous Data with a Constant Communication Complexity [77.78624443410216]
  異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。 本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。 FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
  論文  参考訳（メタデータ） (2021-02-09T04:05:19Z)

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。