基因 - 多功能离散门控框架的全癌基因组分析
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
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
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
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
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
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
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(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