論文の概要: Synthesis of Ovarian Cancer Multi-Omics Datasets: A Biology-Informed Evaluation Framework

• arxiv url: http://arxiv.org/abs/2611.08394v1
• Date: Thu, 05 Nov 2026 18:07:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 04:55:13.611944
• Title: Synthesis of Ovarian Cancer Multi-Omics Datasets: A Biology-Informed Evaluation Framework
• Title（参考訳）: 卵巣癌多臓器データセットの合成:生物学的インフォームド・アセスメント・フレームワーク
• Abstract要約: そこで本研究では,2つのRNA発現と複製数変動プロファイルの生成を評価するための生物学インフォームドフレームワークを提案する。 縦型DECDER高悪性度卵巣癌コホートに応用した。 このフレームワークは、RNAとCNVのペア間のモダリティ特異的忠実度とコヒーレンスを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Paired multi-omic cancer cohorts are costly to assemble and difficult to share, motivating synthetic cohorts as a complementary resource. As generative model development accelerates, we shift the focus from proposing yet another architecture to defining evaluation criteria that determine whether synthetic data preserve biologically relevant structure. We introduce a biology-informed and patient-disjoint framework for evaluating the generation of paired RNA expression and copy-number variation (CNV) profiles, and apply it to the longitudinal DECIDER high-grade serous ovarian cancer cohort. The framework assesses modality-specific fidelity and coherence between RNA and CNV pairs using agreement between real training and held-out data as a reference, alongside complementary training-data proximity diagnostics. We adapt three multi-omic integration architectures based on variational autoencoders to generate paired profiles. The model leading several fidelity and coherence measures also shows the strongest training-data proximity. The protocol and case study offer the community a reference for comparing future multi-omic generators.
• Abstract（参考訳）: ペアリングされた多酸素性がんコホートは組み立てに費用がかかり、共有が困難であり、相補的な資源として合成コホートを動機付けている。 生成モデルの開発が加速するにつれて、我々は、他のアーキテクチャの提案から、合成データが生物学的に関連する構造を保存するかどうかを決定する評価基準の定義へと焦点を移す。 そこで本研究では,2つのRNA発現とコピー数変動(CNV)プロファイルの生成を評価するための生物学情報と患者分離フレームワークを提案し,それをDECDER高次卵巣癌コホートに応用した。 本フレームワークは、実際のトレーニングとホールドアウトデータの一致を基準として、RNAとCNVペア間のモダリティ特異的忠実度とコヒーレンスを評価する。 可変オートエンコーダをベースとした3つのマルチオミック統合アーキテクチャを適用し、ペアプロファイルを生成する。 いくつかの忠実度とコヒーレンス尺度を導いたモデルもまた、トレーニングデータに近い最強のモデルを示している。 プロトコルとケーススタディは、将来のマルチオミックジェネレータを比較するためのリファレンスを提供する。

関連論文リスト

• Towards Reliable Stain Transfer: An Iterative Data-Model Co-Optimization Framework Based on Multimodal Expert-Guided Assessment [55.16957949238588]
  Stain Transferのための新しいデータモデル共最適化フレームワークDMCoStainを提案する。 反復的にトレーニングデータとモデル能力を再定義し、病理的および構造的整合性の両方において染色精度と解釈性を向上させる。 MEGFS をサポートするために,150K VQA サンプルを用いた IPE 命令追従型大規模データセットである ImmunoInstruction を構築した。
  論文  参考訳（メタデータ） (2026-07-28T07:54:43Z)
• Dementia Etiology Diagnosis via Collaborative Meta Knowledge Enhancement [81.27196033392559]
  認知症発症診断のための協調的メタ知識向上(COME)フレームワークを提案する。 COMEは、マルチセンタ取得セマンティクス、ソース識別子、モダリティインジケータを異種性を認識した埋め込みとして、スケールアップトレーニングのためにTransformerアーキテクチャに注入する。 本手法は,平均マクロ平均AUCが85.62%,最強ベースラインが4.29ポイント向上し,最先端のドメイン性能を実現する。
  論文  参考訳（メタデータ） (2026-07-24T04:26:47Z)
• Generative Augmentation of Raman Spectra for Glioma Classification [0.0]
  クラス条件付き合成ラマンスペクトルを生成する条件変分オートエンコーダを開発した。 生成されたデータはTrain-on-Synthetic, Test-on-Real (TS/TR)およびTrain-on-Synthetic+Real, Test-on-Real (TSR/TR)設定で評価される。 リアルトレーニングデータを合成スペクトルで拡張することで、複数のモデルの分類性能が一貫して向上する。
  論文  参考訳（メタデータ） (2026-07-11T08:19:51Z)
• Benchmarking Machine Learning Models for Multi-Omics-Based Breast Cancer Prediction [0.0]
  エストロゲン受容体(ER)は乳癌の診断、予後、治療選択において重要なバイオマーカーである。 本研究では,ER状態予測のための古典的機械学習モデルの系統的ベンチマーク分析を提案する。
  論文  参考訳（メタデータ） (2026-06-27T02:46:40Z)
• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• 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)
• Life-Code: Central Dogma Modeling with Multi-Omics Sequence Unification [55.98854157265578]
  Life-Codeは、様々な生物学的機能にまたがる包括的なフレームワークである。 本稿では、RNAを逆転写し、アミノ酸をヌクレオチド配列に変換することで、マルチオミクスデータを統合する統一パイプラインを提案する。 Life-Codeは3つのオミクスにまたがる様々なタスクの最先端の結果を達成し、マルチオミクス分析と解釈の進歩の可能性を強調している。
  論文  参考訳（メタデータ） (2025-02-11T06:53:59Z)
• 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。