Nov, 2023

基因 - 多功能离散门控框架的全癌基因组分析

PDF
TL;DR本文提出了一种名为 Gene-MOE 的新型预训练模型，通过深度学习方法在 Pan-Cancer 数据库中分析基因组信息，以了解与癌症相关的因素，并有助于癌症的诊断和预后。实验结果表明，Gene-MOE 模型在癌症分类和生存分析中表现优于现有的模型，具有学习高维基因的丰富特征表示的能力。
发现论文，激发创造
  • 基于自然启发计算的癌症筛查集成方法的全面利用

    准确筛选肿瘤类型对于有效的癌症检测和精确的治疗选择至关重要。本研究提出了一种名为进化优化的多样化集成学习（EODE）的框架，用于改进基因表达数据的癌症分类的集成学习。实验证明，EODE 相对于单独和传统聚合模型，在 35 个基因表达基准数据集上获得了显著提高的筛选准确性。此研究为使用基因表达生物标志物进行强大而广义的集成学习提供了有效的框架。

    Apr, 2024

  • SeNMo: 自规范深度学习模型在肿瘤学中的增强型多组学数据分析

    多组学研究加深了我们对癌症的异质性和发展的理解，SeNMo 是一种基于深度神经网络的多组学研究模型，通过整合多种分子数据类型，在预测患者预后方面表现出了卓越的性能。

    May, 2024

  • 探索稀疏 Mixture of Experts 在基于文本的图像合成中的应用

    Aurora 是一种基于 GAN 的文本到图像生成器，利用一组专家进行特征处理学习，并使用稀疏路由器来选择每个特征点最合适的专家，以实现对采样随机性和文本条件的忠实解码，该模型在 64x64 图像分辨率下，使用 LAION2B-en 和 COYO-700M 数据集进行训练，在 MS COCO 上达到了 6.2 的零样本 FID 指标。

    Sep, 2023

  • 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

  • Path-GPTOmic: 一个平衡的多模态学习框架用于生存结局预测

    通过多模态框架和生物学洞察来提高癌症生存预测准确性。

    Mar, 2024

  • 基于深度学习模型的模糊基因选择和癌症分类

    通过应用模糊基因选择技术，本研究提出了一个新的肿瘤分类模型，优于标准 MLP 方法，并在生物医学科学领域中提高了基因表达数据的分类准确性。

    May, 2023

  • 基因诱导的多模态预训练用于图像组学分类

    该研究提出了一种基因诱导的多模态预训练（GiMP）框架，通过整合基因组学和全面切片图像（WSIs）进行分类任务，处理了多模态图像组合分类的主要挑战，并实现了 99.47% 的准确率。

    Sep, 2023

  • MuSe-GNN：从多模态生物图数据中学习统一的基因表示

    在这项研究中，我们通过引入一种名为多模态相似性学习图神经网络的新型模型，结合多模态机器学习和深度图神经网络，从单细胞测序和空间转录组学数据中学习基因表示，以解决在不同生物医学环境中发现具有类似功能的基因的挑战。我们的模型通过为模型训练和基因表示生成创建信息丰富的图结构，并结合加权相似性学习和对比学习的正则化，学习跨数据的基因 - 基因关系，从而确保我们能够提供包含功能相似性的基因表示。广泛的基准测试分析显示，我们的模型能够有效地捕捉多种模态下的基因功能相似性，其基因表示学习的性能超过当前最先进方法高达 97.5％。此外，我们将生物信息学工具与基因表示结合使用，揭示通路富集、调控因果网络和与疾病相关或剂量敏感的基因功能。因此，我们的模型能够高效产生用于分析基因功能、组织功能、疾病和物种演化的统一基因表示。

    Sep, 2023

  • 基于深度学习与可解释人工智能的基因组特征选择新算法

    本文提出了一种利用自编码器和可解释的基于人工智能的评分来进行特征选择的算法，可用于诊断、预后和精准医疗。该算法在慢性淋巴细胞白血病数据集上应用，能够确定一组有意义的基因，供进一步医学研究参考。

    Mar, 2023

  • 基于超网络的专家混合模型用于领域泛化

    基于超网络的专家混合（MoE）方法被提出以解决域偏移问题且不需要域标签，并通过探索专家之间的低维向量相似性来共享有用的元知识，该方法在实验中表现出色，实现某些情况下的 SOTA 结果。

    Nov, 2022