Dec, 2023

多组学数据中基于综合内外数据集关系的癌症亚型鉴定

PDF
TL;DR该研究提出了一种新颖的方法，通过融合多组学数据实现对癌症亚型的识别。所提出的方法名为 LIDAF，利用基于不同组学数据之间和内部的线性关系的亲和矩阵（线性组间和组内数据亲和融合）进行聚类。该方法通过使用经典相关分析基于欧氏距离生成距离矩阵，将距离矩阵转换为亲和矩阵，并通过三步融合。所提出的 LIDAF 方法解决了现有方法的局限性，显著提升了聚类性能，通过调整后的兰德指数和归一化互信息分数进行评估。此外，我们提出的 LIDAF 方法通过 Cox 生存分析获得的 50% log10 等级 p 值也得到显著提高，超过了目前报道的最佳方法的性能，突显其识别不同癌症亚型的潜力。
multi-omics datacancer subtypeslidafaffinity matricescanonical correlation analysis
发现论文，激发创造
  • MoCLIM: 通过多组学对比学习与组学推理模型实现准确的癌症亚型划分

    通过对多组学数据的分析，该研究利用 MoCLIM 框架，独立提取来自不同组学模式的信息特征，从而改善癌症亚型分类结果，并基于对不同组学模态的对比学习实现了癌症亚型的低维空间聚类。实验证据表明，该方法在少量高维癌症数据实例中显著提高了数据拟合和亚型分类性能，并在最终组件中结合了各种医学评估，从而提供了高可解释性的医学分析。

    Aug, 2023

  • 基于癌症多组学数据的多头注意机制学习癌症新亚型和治疗

    我们提出了一个基于注意力机制的无监督对比学习框架（AMUCL），用于分析癌症多组学数据以识别和表征癌症亚型。其中，基于多头注意力机制的 DMACL 模型用于学习多组学数据特征和聚类，并识别新的癌症亚型。通过计算特征空间和样本空间中样本之间的相似性，该无监督对比学习方法将亚型聚类。相较于其他 11 个深度学习模型，在单细胞多组学数据集上，DMACL 模型获得了 0.002 的 C-index、0.801 的轮廓系数和 0.38 的戴维森堡丁指数。在癌症多组学数据集上，DMACL 模型获得了 0.016 的 C-index、0.688 的轮廓系数和 0.46 的戴维森堡丁指数，为每种癌症类型提供了最可靠的癌症亚型聚类结果。最后，我们在 AMUCL 框架中使用 DMACL 模型揭示了 AML 的六个癌症亚型，并通过 GO 功能富集分析、亚型特定的生物学功能和 AML 的 GSEA 进一步提高了基于可推广的 AMUCL 框架的癌症亚型分析的解释能力。

    Jul, 2023

  • 整合各类组学：面向基因组范围数据整合的患者分层

    通过 IntegrAO（Integrate Any Omics）整合不完整的多组学数据和分类新样本的方法，可以在癌症患者分层中解决多组学数据集成的挑战，并准确分类具有部分组学数据的新患者，从而提供了一种整体性的患者特征化方法。

    Jan, 2024

  • 轻量级多系统多元相互连接与差异发现

    该研究提出了一种轻量级的互连和差异发现机制（LIDD），用于识别多系统环境中的异常行为，通过多变量分析技术估计传感器之间的相似热图，并应用信息检索算法提供相关的多级互连和差异细节。在 CERN 的紧凑双曲线磁铁（CMS）实验的 Hadron Calorimeter 的读出系统上的实验验证了所提出方法的有效性，以符合预期的能量量能器互连配置聚类读出系统和传感器，同时捕获发散聚类中的异常行为并估计其根本原因。

    Apr, 2024

  • CLCLSA: 交叉组学链接嵌入，基于对比学习和自注意力的多组学一体化方法，可处理不完整的多组学数据

    本文提出了一种基于深度学习的多组学（multi-omics）数据集成方法 CLCLSA，利用跨组学自动编码器学习生物数据的特征表示，采用多组学对比学习和自关注机制实现数据集成，通过在四个数据集上的实验证明其在应用不完整数据进行多组学分类上具有优异性能。

    Apr, 2023

  • 用谐波平均线性判别分析进行鲁棒性图像分类

    本篇论文介绍了一种基于调和均值的线性判别分析方法 -- 多类别判别分析，用于图像分类以及多标签的降维。实验结果表明，MCDA 在分类准确率、宏 F1 score 和微 F1 score 等方面优于其他单标签和多标签方法。

    Oct, 2016

  • 通过向量量化互信息最大化实现癌症自动亚型划分

    通过提出一种新的聚类方法，我们可以利用基因表达谱划分癌症亚型，提高聚类效果，并与医学分析方法相结合，进一步证明其与患者生存率的高相关性。

    Jun, 2022

  • 基于多任务相关学习的多模态融合框架在癌症预测中的应用

    基于 ResNet-152 和 SGCN, 结合多模态多任务相关学习 (MultiCoFusion) 的多模态融合框架可用于肿瘤的生存分析和癌症等级分类，基于 The Cancer Genome Atlas (TCGA) 的实验结果表明，MultiCoFusion 的表现优于传统的特征提取方法。

    Jan, 2022

  • LaneAF：基于亲和场的强鲁棒性多车道检测

    本研究提出了一种利用二元分割掩模和像素亲和力场预测车道检测的方法，并利用亲和力场和二元掩模水平和垂直地将车道像素聚类到相应的车道实例中，此方法可以检测可变数量车道并且整体上比以前的聚类方法更可解释。在多个数据集上的合格和定量结果展示了我们的模型能够有效地检测和聚类车道，已经成为最具挑战性的 CULane 数据集和最近引入的非监督 LLAMAS 数据集的最新技术。

    Mar, 2021

  • SDGCCA：基于监督学习的深度广义典型相关分析方法用于多组学数据整合

    该研究提出了多组学数据集成的一种新方法，称为 SDGCCA。SDGCCA 能够建模非线性多种组学流形之间的相关结构，旨在改善表型分类并揭示与表型相关的生物标志物。应用于老年痴呆症患者的预测和早期和晚期癌症的区分中，SDGCCA 表现出优异的性能，还能用于特征选取以识别重要的多组学生物标记物。在老年痴呆症数据中，SDGCCA 识别了与老年痴呆症相关的基因簇。

    Apr, 2022