NIPSJun, 2017

Dr.VAE: 药物反应变分自编码器

PDF
TL;DR该研究基于变分自动编码器提出了两种深度生成模型，学习基因状态的潜在表示，以提高药物响应预测的准确性。结果表明，该模型可在 AUROC 和 AUPR 方面超过先前发表的研究，同时发现更好的重构准确性并不一定导致分类准确性的提高，联合训练模型表现更好。
deep generative modelsvariational autoencodersdrug response predictionlatent representationtreatment response outcome
发现论文，激发创造
  • 变分自编码回归：应用于脑衰老分析

    本文提出了一种统一的概率模型，用于学习成像数据的潜在空间并执行监督回归，利用 VAE 和神经网络回归器的联合正则化可以更精确地预测 MR 图像的年龄，实现了对人脑结构发育规律的直观解释。

    Apr, 2019

  • 使用去噪扩散概率模型对分子图进行变分自编码

    本文提出了一种新的分子深度生成模型，该模型在概率潜变量中加入分层结构，并能通过小数据集实现有效的分子潜在向量设计和物性预测。

    Jul, 2023

  • 基于 GMM 先验的生成式推荐系统用于癌症药物生成和敏感性预测

    VADEERS 是一种基于变分自编码器的药物疗效评估推荐系统，实现了对具有特定属性的化合物的生成和其对癌细胞敏感性的模型建模，并达到了高度相关的预测效果。

    Jun, 2022

  • 评估无监督解缠表示学习用于基因组发现和疾病风险预测

    使用高维临床数据和变分自编码器 (VAE) 学习的低维嵌入可用于基因组关联研究和多基因风险预测，而在基因关联研究中，FactorVAE 和 beta-VAE 相较于标准 VAE 或非变分自编码器在哮喘和慢性阻塞性肺疾病的全基因组显著位点数量、遗传度和多基因风险评分的性能上表现更好，而且 FactorVAE 在正则化超参数的多个值上效果显著，而 beta-VAE 对超参数的值非常敏感。

    Jul, 2023

  • 可解释的深层模型用于心脏再同步治疗反应预测

    在医学图像分类中使用变分自编码器框架来提高深度模型的可解释性，通过分离潜在空间并从现有的临床知识中提取 ' 解释 ' 来实现预测和解释输出，进一步通过预测心肌病患者心脏重同步治疗反应来展示模型的潜力。

    Jun, 2020

  • DeepCoder：用于自动面部动作编码的半参数变分自编码器

    该研究提出了一种名为 DeepCoder 的半参数建模框架，将参数化（卷积）和非参数化 (序数 GPs) VAE 的建模能力结合起来，用于多层次任务层次结构的潜在表示和多个序数输出的分类的联合学习，该模型在 AU 强度估计的基准数据集上表现出超越最先进方法和相关 VAE 和深度学习模型的优势。

    Apr, 2017

  • 变分自编码器的三种变体

    通过引入第二个参数化的编解码对和一个额外的固定编码器，我们发展了三种 VAE 的变种，并使用神经网络学习编码器 / 解码器的参数来比较这些变种与原始 VAE 的 ELBO 逼近。其中一种变化导致了一个 EUBO，可以与原始 ELBO 一起用于研究 VAE 的收敛性。

    Dec, 2022

  • 基于变分自编码器的连续处理效应估计的解耦表示

    本文提出了一种利用变分自编码器（DRVAE）实现剂量响应曲线估计的新方法，通过将协变量分解为仪器因子、混淆因子、调整因子和外部噪声因子，从而在连续治疗情景下平衡分解的混淆因子，以实现治疗效果的估计。大量对合成和半合成数据集的实验结果证明，我们的模型优于当前的最先进方法。

    Jun, 2024

  • 用于肺部病变特征探索和恶性预测的变分自编码器

    应用生成型 AI 模型 VAEs 对肺癌病灶进行研究，通过聚类分析和 MLP 分类器模型，在肺癌诊断方面取得了 AUC 0.98 和 93.1% 的准确度，同时探索标准高斯 VAE 和较新的狄利克雷 VAE 的比较分析，最后展示了潜在空间遍历在临床上具有潜在的特征变化。

    Nov, 2023

  • 利用多阶段 VAE 对分子特性进行客观性不明的增强

    将多阶段 VAE 方法应用于药物发现领域，改善低维流形恢复，提高生成分子的性质统计性能，不需要纳入性质预测器到训练流程中。

    Aug, 2023