Dec, 2008

基于正则化的多元回归用于鉴定乳腺癌整合基因组学研究中的主预测因子

PDF
TL;DR提出了一种新的方法 remMap-- 用于在高维低样本大小的情况下拟合多元响应回归模型的正则化多元回归方法，它的目的是基于多种类型的高维基因组数据研究不同生物分子之间的调节关系。该方法不仅可以有效解决高维问题，而且可以考虑网络建模和基因变异等问题。通过大量的模拟研究和应用于乳腺癌数据的实证研究，可以发现 remMap 方法可以鉴别出影响多个基因 RNA 表达水平的 DNA 复制数变化的热点区域，从而更好地理解乳腺癌的病理学。
multivariate regressionhigh-dimension-low-sample-sizedna copy number alterationsrna transcript levelsbreast cancer
发现论文，激发创造
  • 从微阵列数据选择嵌套相关基因群的规范化方法

    本文提出了一种两阶段正则化方法，能够学习具有高预测性能的线性模型，产生几乎完美嵌套的基因列表以及适合进一步生物学研究，在合成和微阵列数据上的实验结果证实了该方法的有趣性质和潜在性。

    Sep, 2008

  • 基于标定的多元回归及其在神经语义基础发现中的应用

    提出一种名为 CMR 的校准的多元回归方法，可用于拟合高维度的多元回归模型，并通过对每个回归任务进行正则化校准以获得改进的有限样本性能和调优不敏感性，已在大脑活动预测问题上展示出很好的竞争力，并在数值模拟中始终优于其他高维度的多元回归方法。

    May, 2013

  • hist2RNA：由乳腺癌组织病理学图像预测基因表达的有效深度学习架构

    利用数字组织病理学图像和深度学习，通过一个新的计算方法 (hist2RNA) 来预测含有 138 个基因的新型分子表型检测结果，包括腺激素受体阳性的乳腺癌亚型，并能为患者的术后治疗提供良好预测。

    Apr, 2023

  • 数据流形中的多线性核回归和插补

    本文介绍了一种基于核的高效多线性非参数逼近框架，应用于动态磁共振成像（dMRI）的数据回归和插值。该多线性模型具有降维、高效计算和提取数据模式和几何形状等特点，在严重欠采样的 dMRI 数据测试中较之以往的方法，包括流行的数据建模方法及最近的张量和深度图像先验方案，均表现出了显著的效率和准确性的提升。

    Apr, 2023

  • 应用机器学习于组学数据

    在这篇论文中，我们介绍了在组学数据背景下一些机器学习技术的使用。我们具体评估了随机森林和惩罚性多项逻辑回归在胰腺癌的基因组学和免疫组学整合分析中的应用，并提出了使用关联规则来解决之前提到的模型的较低预测能力问题。最后，我们将这些方法应用于由 107 个胰腺肿瘤样本和 117,486 个生殖细胞系单核苷酸多态性 (SNPs) 构成的 TCGA 真实数据集，展示了这些方法在预测胰腺癌中的免疫浸润表现中的良好性能。

    Feb, 2024

  • M2ORT: 基于组织病理学图像的空间转录组学预测的多对一回归变换器

    利用多对一回归变压器 M2ORT，通过分解多尺度特征提取器来处理病理图像的层次结构，从而直接从数字病理图像预测空间转录组学表达，实现了更少的参数和浮点计算，并在三个公共转录组学数据集上取得了最先进的性能。

    Jan, 2024

  • 跨结构生物医学领域实现预测不变性

    本文提出了一种新的后悔最小化算法和其在结构化环境中的扩展，并在分子属性预测，蛋白质同源性和稳定性预测等多个应用中表现出了显著的性能优势。

    Jun, 2020

  • 基于 scRNA-seq 和空间转录组学的非配对数据联合模型，用于填充丢失的基因表达测量值

    本文提出了一种基于深度生成模型 gimVI 的方法，用于整合空间转录组学和单细胞 RNA 测序数据以推断空间转录组学数据中缺失的基因表达信息并比较了其与其他方法的性能。

    May, 2019

  • MGI: 基因组和医学影像的多模态对比预训练

    提出了一种多模态预训练框架，通过整合基因组学和医学图像数据，在肿瘤分割任务中优于相关方法。

    Jun, 2024

  • 基于图的多模态学习用于疾病关系提取

    使用 REMAP 多模态方法，将关于疾病的结构化知识和文本信息融合，从而提高基于文本的疾病关系提取任务的性能，并推荐新的关系，从而提高 AI 驱动的疾病概念间的关系的发现、访问和验证的灵活性。

    Mar, 2022