Jun, 2023

通过整合背景知识图谱实现基因表达分类的端到端框架：应用于癌症预后预测

PDF
TL;DR本研究提出了一种利用背景生物网络信息来构建分类模型的端对端框架，应用于基因表达数据和生物网络来进行癌症预后预测，实验结果表明相比于深度神经网络模型，我们的模型取得了更高的准确性，并通过富集分析鉴定了多种癌症类型的贡献基因和通路，从中识别了已知的生物标志和新的生物标志候选物。
发现论文，激发创造
  • 通过知识图谱整合异质基因表达数据，提升糖尿病预测能力

    通过整合多个基因表达数据集和领域特定知识，利用知识图谱嵌入方法生成向量表示，并用于分类器，本研究提出了一种新的方法，改善了糖尿病预测。

    Apr, 2024

  • 基于统计和机器学习方法的基因表达谱分析的比较分析

    机器学习模型在表达基因数据的表型分类方面取得了好的性能，通过提取决策的解释，这些模型能提供对表型的理解，讨论了这种解释的生物学和方法论限制，并在癌症和健康组织样本的多个数据库上进行了实验。

    Feb, 2024

  • DeepCancer：基于深度生成式学习通过基因表达检测癌症

    该研究提出了一种深度生成式机器学习架构（称为 DeepCancer），通过对未标记的微阵列数据进行特征学习，帮助对癌症进行诊断。该模型在两个不同的临床数据集上进行了测试，并证明了其精确度较高，可显著控制假阳性和假阴性评分。

    Dec, 2016

  • 基于数据驱动的癌细胞系分子分析信息提取和丰富化

    本文介绍了一种新的数据提取和探索系统，可以从癌细胞系的科学文献中提取文本实体之间的深层次语义关系，为现有结构化临床数据提供丰富的语义信息，并自动链接基因组拷贝数变异图与相关实体，以及相关文献证据，从而实现更为快捷深入的文献检索。

    Jul, 2023

  • 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

  • 基于基因表达的卷积神经网络在癌症类型预测中的应用

    本研究使用卷积神经网络 (CNN) 模型对 10,340 个来自 33 种不同癌症类型和 731 个正常组织样品进行分类，并在 1D-CNN 模型中确定了 2,090 个癌症标记物，其中包括 GATA3 和 ESR1 等已知标记，并对乳腺癌亚型进行了预测，取得了 88.42% 的平均准确率。

    Jun, 2019

  • 利用基因表达值进行癌症预后预测的对比学习

    本文通过应用监督对比学习将肿瘤基因表达和临床数据转换为低维特征空间，并使用学习的特征训练 Cox 模型来预测肿瘤预后，提高了肿瘤预后的准确性。

    Jun, 2023

  • 发掘多机构数据的力量：整合和协调跨机构的基因组数据

    癌症是由基因组变异驱动的复杂疾病，肿瘤测序成为癌症患者临床护理的核心，多机构测序数据的出现为增强精准肿瘤学提供了有力资源。然而，利用这种多机构测序数据面临着重大挑战，包括基因面板的差异导致常见基因集上信息的丢失，测序技术和机构间患者异质性的差异增加了复杂性，高数据维度、稀疏基因突变模式和个体基因水平的弱信号进一步复杂化了情况。为了克服这些实际挑战，我们介绍了 Bridge 模型，它采用分位匹配的潜变量方法来获得整合特征，以保留超出常见基因之外的信息，并最大限度地利用所有可用的数据，同时利用信息共享来增强学习效率和模型的泛化能力。通过提取协调和去噪的低维潜变量，捕捉到了每个个体独特的真实突变模式。我们通过广泛的模拟研究评估了模型的性能和参数估计，从 Bridge 模型中提取的潜变量特征在 GENIE BPC 数据中始终表现出色，可以预测六种癌症类型中的患者生存情况。

    Jan, 2024

  • 通过生物信息学的跨模态图学习，实现病理基因融合以用于生存分析

    基于多模态融合模型，结合病理图像和基因组数据，本文提出一种适用于癌症生存分析的病理基因异质图模型（PGHG）。通过生物学先验知识，该模型实现了特征提取、生存预测和可解释性展示等功能，并在多个癌症数据集上证明了其性能优越性。

    Apr, 2024

  • 生物复杂性中的简洁性

    利用异质、互连、系统级的分子数据来实现个性化医疗，需要开发一种一般的综合性嵌入多尺度分子网络数据的框架，以实现在线性时间内对其进行可解释性利用。

    May, 2024