論文の概要: Learning predictive models for combinations of heterogeneous proteomic data sources

• arxiv url: http://arxiv.org/abs/2605.08958v1
• Date: Sat, 09 May 2026 13:53:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.992259
• Title: Learning predictive models for combinations of heterogeneous proteomic data sources
• Title（参考訳）: 不均一なプロテオミクスデータソースの組み合わせに対する予測モデル学習
• Abstract要約: 人体におけるタンパク質混合物の発現レベルを測定する複数の技術は、疾患の検出と理解の可能性を秘めている。 人体におけるタンパク質混合物の発現を測定するための2つのデータソース(全サンプルMSプロファイリングと多重化タンパク質アレイ)について検討した。
• 参考スコア（独自算出の注目度）: 14.808002600024578
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiple technologies that measure expression levels of protein mixtures in the human body offer a potential for detection and understanding the disease. The recent increase of these technologies prompts researchers to evaluate the individual and combined utility of data generated by the technologies. In this work, we study two data sources to measure the expression of protein mixtures in the human body: whole-sample MS profiling and multiplexed protein arrays. We investigate the individual and combined utility of these technologies by learning and testing a variety of classification models on the data from a pancreatic cancer study. We show that for the combination of these two (heterogeneous) datasets, classification models that work well on one of them individually fail on the combination of the two datasets. We study and propose a class of model fusion methods that acknowledge the differences and try to reap most of the benefits from their combination.
• Abstract（参考訳）: 人体におけるタンパク質混合物の発現レベルを測定する複数の技術は、疾患の検出と理解の可能性を秘めている。 これらの技術の最近の増加は、研究者に、これらの技術によって生成されるデータの個人的および組み合わせの有用性を評価するよう促す。 本研究では,ヒト体内のタンパク質混合物の発現を測定するために,全サンプルMSプロファイリングと多重タンパク質配列の2つのデータソースについて検討した。 膵癌研究から得られた各種分類モデルの学習と試験により,これらの技術の個人的・複合的有用性について検討した。 これら2つの(異質な)データセットの組み合わせに対して、そのうちの1つでうまく機能する分類モデルは、2つのデータセットの組み合わせで個別に失敗することを示します。 本研究では,差を認め,それらの組み合わせによって得られる多くの利点を享受するモデル融合手法のクラスについて検討し,提案する。

関連論文リスト

• Probabilistic Joint and Individual Variation Explained (ProJIVE) for Data Integration [0.7670549278963161]
  Joint and individual Variance Explained (JIVE) は、一般的な被験者で捉えた2つ以上の特徴の間の関節の変動の低ランクな近似を求める。 我々は,JIVEフレームワークの確率モデルを推定するために,予測最大化(EM)アルゴリズムを開発した。 アルツハイマー病における脳形態計測と認知計測にProJIVEを適用した。
  論文  参考訳（メタデータ） (2026-03-12T18:16:07Z)
• Weighted Diversified Sampling for Efficient Data-Driven Single-Cell Gene-Gene Interaction Discovery [56.622854875204645]
  本稿では,遺伝子・遺伝子相互作用の探索に先進的なトランスフォーマーモデルを活用する,データ駆動型計算ツールを活用した革新的なアプローチを提案する。 新たな重み付き多様化サンプリングアルゴリズムは、データセットのたった2パスで、各データサンプルの多様性スコアを算出する。
  論文  参考訳（メタデータ） (2024-10-21T03:35:23Z)
• Multi-omics data integration for early diagnosis of hepatocellular carcinoma (HCC) using machine learning [8.700808005009806]
  異なるモードのマルチクラスデータの遅延統合が可能なアンサンブル機械学習アルゴリズムの性能を比較した。 PB-MVBoostとAdaboostとソフト投票という2つの強化された方法が、全体的な最高のパフォーマンスモデルであった。
  論文  参考訳（メタデータ） (2024-09-20T09:38:02Z)
• A Comprehensive Survey on Data Augmentation [57.8664583059197]
  データ拡張(Data augmentation)は、既存のデータサンプルを操作することによって高品質な人工データを生成する一連のテクニックである。 本調査では,異なる共通データモダリティのためのデータ拡張技術を含む,より啓蒙的な分類法を提案する。 統一的帰納的アプローチにより、5つのデータモダリティにまたがるデータ拡張手法を分類する。
  論文  参考訳（メタデータ） (2024-05-15T11:58:08Z)
• Supervised Multiple Kernel Learning approaches for multi-omics data integration [1.3032276477872158]
  マルチカーネル学習(MKL)は、マルチオミクス入力の多様な性質を考える上で、柔軟で有効なアプローチであることが示されている。 我々は、異なるカーネル融合戦略に基づく新しいMKLアプローチを提供する。 その結果、MKLベースのモデルは、より複雑で最先端の教師付きマルチオミクス積分アプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-03-27T08:48:16Z)
• Efficiently Predicting Protein Stability Changes Upon Single-point Mutation with Large Language Models [51.57843608615827]
  タンパク質の熱安定性を正確に予測する能力は、様々なサブフィールドや生化学への応用において重要である。 タンパク質配列と構造的特徴を統合したESMによる効率的なアプローチを導入し, 単一点突然変異によるタンパク質の熱安定性変化を予測する。
  論文  参考訳（メタデータ） (2023-12-07T03:25:49Z)
• Fast and Functional Structured Data Generators Rooted in Out-of-Equilibrium Physics [44.97217246897902]
  エネルギーモデルを用いて、構造化データセットで高品質なラベル特化データを生成するという課題に対処する。 伝統的な訓練方法は、マルコフ連鎖モンテカルロ混合による困難に遭遇する。 非平衡効果を利用した新しいトレーニングアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2023-07-13T15:08:44Z)
• 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)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• CustOmics: A versatile deep-learning based strategy for multi-omics integration [0.0]
  本稿では,高次元マルチソース統合の場合のデータセットに適応する,カスタマイズ可能なオートエンコーダモデルを構築するための新しい戦略を提案する。 我々は,統合戦略が潜在表現に与える影響を評価し,新しい手法であるCustOmicsを提案する最善の戦略を組み合わせる。
  論文  参考訳（メタデータ） (2022-09-12T14:20:29Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model Learning with Application to Genomic Data Integration [0.0]
  本稿では,異なるタイプのマルチオミックデータを解析するための混合グラフィカルモデルを提案する。 モデル選択結果の計算効率と精度の両面で,本手法が優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-08T16:34:58Z)
• A generalized kernel machine approach to identify higher-order composite effects in multi-view datasets [4.579719459619913]
  マルチビューバイオメディカルデータセットにおける高次合成効果を同定するための新しいカーネルマシン手法を提案する。 提案手法は,高次合成効果を効果的に同定し,協調作業において対応する特徴が機能することを示唆する。
  論文  参考訳（メタデータ） (2020-04-29T08:56:02Z)

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。