論文の概要: Genetic algorithms for multi-omic feature selection: a comparative study in cancer survival analysis

• arxiv url: http://arxiv.org/abs/2604.00065v1
• Date: Tue, 31 Mar 2026 10:42:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.658809
• Title: Genetic algorithms for multi-omic feature selection: a comparative study in cancer survival analysis
• Title（参考訳）: 多体系的特徴選択のための遺伝的アルゴリズム:癌生存解析における比較研究
• Authors: Luca Cattelani, Vittorio Fortino,
• Abstract要約: マルチビュー・マルチオブジェクト・アルゴリズムであるSweeping*を導入する。 We benchmark five Sweeping* strategy, including hierarchical and concatenation-based variants。 以上の結果から,Sweeping*は十分な生存信号が存在する場合の精度・複雑さトレードオフを改善することができることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-omic datasets offer opportunities for improved biomarker discovery in cancer research, but their high dimensionality and limited sample sizes make identifying compact and effective biomarker panels challenging. Feature selection in large-scale omics can be efficiently addressed by combining machine learning with genetic algorithms, which naturally support multi-objective optimization of predictive accuracy and biomarker set size. However, genetic algorithms remain relatively underexplored for multi-omic feature selection, where most approaches concatenate all layers into a single feature space. To address this limitation, we introduce Sweeping*, a multi-view, multi-objective algorithm alternating between single- and multi-view optimization. It employs a nested single-view multi-objective optimizer, and for this study we use the genetic algorithm NSGA3-CHS. It first identifies informative biomarkers within each layer, then jointly evaluates cross-layer interactions; these multi-omic solutions guide the next single-view search. Through repeated sweeps, the algorithm progressively identifies compact biomarker panels capturing cross-modal complementary signals. We benchmark five Sweeping* strategies, including hierarchical and concatenation-based variants, using survival prediction on three TCGA cohorts. Each strategy jointly optimizes predictive accuracy and set size, measured via the concordance index and root-leanness. Overall performance and estimation error are assessed through cross hypervolume and Pareto delta under 5-fold cross-validation. Our results show that Sweeping* can improve the accuracy-complexity trade-off when sufficient survival signal is present and that integrating omic layers can enhance survival prediction beyond clinical-only models, although benefits remain cohort-dependent.
• Abstract（参考訳）: マルチオミックデータセットは、がん研究におけるバイオマーカー発見を改善する機会を提供するが、その高次元と限られたサンプルサイズは、コンパクトで効果的なバイオマーカーパネルの同定を困難にしている。 大規模オミクスの特徴選択は、機械学習と遺伝的アルゴリズムを組み合わせて、予測精度の多目的最適化とバイオマーカーセットサイズを自然にサポートすることにより、効率的に対処することができる。 しかし、遺伝的アルゴリズムは、多くのアプローチが全ての層を単一の特徴空間にまとめるマルチオミックな特徴選択において、比較的未熟なままである。 この制限に対処するために、シングルビューとマルチビューの最適化を交互に行うマルチビュー多目的アルゴリズムであるSweeping*を導入する。 ネストした単一視点多目的最適化器を使用し、本研究には遺伝アルゴリズムNSGA3-CHSを用いる。 まず、各層内の情報的バイオマーカーを特定し、次に層間相互作用を共同で評価する。 繰り返しのスイープを通じて、アルゴリズムはクロスモーダル補完信号をキャプチャするコンパクトなバイオマーカーパネルを段階的に識別する。 我々は,3つのTCGAコホート上での生存予測を用いて,階層型と連結型を含む5つのSweeping*戦略をベンチマークした。 それぞれの戦略は、一致指数とルートリーンネスによって測定される予測精度と設定サイズを共同で最適化する。 クロス・ハイパーボリュームとパレート・デルタを5倍のクロス・バリデーションで総合的な性能と推定誤差を評価する。 以上の結果から,Sweeping* は十分な生存信号が存在する場合の精度・複雑さのトレードオフを改善でき,Ommic 層の統合は臨床のみのモデルを超えて生存予測を高めることができるが,利益はコホート依存のままである。

関連論文リスト

• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• Optimizing Prognostic Biomarker Discovery in Pancreatic Cancer Through Hybrid Ensemble Feature Selection and Multi-Omics Data [4.010215468404495]
  高次元マルチオミクスデータを用いた患者の生存率の予測には,系統的特徴選択法が必要である。 我々は,データサブサンプリングと複数の予後モデルを組み合わせたハイブリッドアンサンブル特徴選択(hEFS)手法を開発した。 hEFSは従来のレイトフュージョンCoxLassoモデルに比べて著しく少ない、より安定したバイオマーカーを同定する。
  論文  参考訳（メタデータ） (2025-09-02T11:09:24Z)
• Multi-Omics Analysis for Cancer Subtype Inference via Unrolling Graph Smoothness Priors [10.102510875040169]
  マルチオミクス癌サブタイプ分類(GTMancer)のためのグラフ変換器というフレームワークを提案する。 このフレームワークは、GNN最適化問題の上に構築され、複雑なマルチオミクスデータに応用範囲を広げる。 7つの実世界のがんデータセットに関する実証実験は、GTMancerが既存の最先端アルゴリズムより優れていることを示した。
  論文  参考訳（メタデータ） (2025-08-08T12:22:36Z)
• 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)
• Multimodal Prototyping for cancer survival prediction [45.61869793509184]
  ギガピクセルヒストロジー全体スライディング画像(WSI)と転写学的プロファイルを組み合わせたマルチモーダルサバイバル法は,患者の予後と成層化に特に有望である。 現在のアプローチでは、WSIを小さなパッチ(>10,000パッチ)にトークン化し、トランスクリプトミクスを遺伝子グループに分割し、結果を予測するためにTransformerを使用して統合する。 このプロセスは多くのトークンを生成し、これは注意を計算するための高いメモリ要求をもたらし、ポストホック解釈可能性分析を複雑にする。 我々のフレームワークは、新しい解釈可能性解析を解き放ちながら、はるかに少ない計算で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-06-28T20:37:01Z)
• Exhaustive Exploitation of Nature-inspired Computation for Cancer Screening in an Ensemble Manner [20.07173196364489]
  本研究では、遺伝子発現データからがん分類のためのアンサンブル学習を改善するために、進化最適化逆アンサンブル学習(EODE)と呼ばれるフレームワークを提案する。 各種癌種を含む35の遺伝子発現ベンチマークデータセットを対象に実験を行った。
  論文  参考訳（メタデータ） (2024-04-06T08:07:48Z)
• 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)
• Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
  本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。 また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
  論文  参考訳（メタデータ） (2023-08-28T12:55:13Z)
• Optimal transport for automatic alignment of untargeted metabolomic data [8.692678207022084]
  本稿では,LC-MSデータセットを最適なトランスポートで自動的に組み合わせる,フレキシブルでユーザフレンドリなアルゴリズムであるGromovMatcherを紹介する。 特徴強度相関構造を利用することで、GromovMatcherは優れたアライメント精度とロバスト性を提供する。 我々は,GromovMatcherが,いくつかのがんタイプに関連するライフスタイルのリスク要因に関連するバイオマーカーの検索をいかに促進するかを示す。
  論文  参考訳（メタデータ） (2023-06-05T20:08:19Z)
• Cancer Gene Profiling through Unsupervised Discovery [49.28556294619424]
  低次元遺伝子バイオマーカーを発見するための,新しい,自動かつ教師なしのフレームワークを提案する。 本手法は,高次元中心型非監視クラスタリングアルゴリズムLP-Stabilityアルゴリズムに基づく。 私達の署名は免疫炎症および免疫砂漠の腫瘍の区別の有望な結果報告します。
  論文  参考訳（メタデータ） (2021-02-11T09:04:45Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。