Jun, 2024

基于异构信息完整化和卷积神经网络的长非编码 RNA 与疾病相关性预测方法

PDF
TL;DR通过建立一个基于异质网络和卷积神经网络（CNN）的深度学习模型，预测长链非编码 RNA - 疾病关联 (LDAs)，该模型名为 HCNNLDA。试验结果显示，HCNNLDA 比几个最新的预测模型具有更好的性能，并且通过三种疾病的案例研究进一步证明了 HCNNLDA 在识别新的 LDAs 方面的有效性。因此，HCNNLDA 是一个可行的用于预测 LDAs 的计算模型。
lncrna-disease associationsdeep learning modelheterogeneous networkconvolutional neural networkprediction
发现论文，激发创造
  • 异构网络与图注意力自编码器用于 LncRNA 疾病关联预测

    通过利用多种生物医学数据来源，本研究提出了一种基于图注意力自动编码器的深度学习模型 HGATELDA，能够准确识别、预测 lncRNA 与疾病之间的关联，并在多个评估指标上取得了优异的性能。

    May, 2024

  • 基于关系网络和本地化图卷积过滤的乳腺癌亚型分类的混合方法

    本文提出了一种混合模型，该模型将图卷积神经网络和关系网络组合在一起，在乳腺癌亚型分类和患者存活分析的实验中，该模型表现出了比现有方法更好的性能。

    Nov, 2017

  • 基于异质因果元路径图神经网络的基因 - 微生物 - 疾病关联预测

    利用异构因果元路径图神经网络 (HCMGNN) 预测基因 - 微生物 - 疾病 (GMD) 关联，并通过提升图的语义和结构来解决关联稀疏性问题。

    Jun, 2024

  • 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

  • 基于归纳异构图卷积网络的在线疾病自诊断

    本研究提出了一种基于电子医疗记录的医疗保健图卷积网络（HealGCN），以为在线用户提供疾病自诊服务，并使用对称检索系统来处理临床信息稀缺以及为冷启动用户提供服务，该系统能够建立一个异构图，以针对疾病诊断提供更好的诊断精度。

    Sep, 2020

  • 基于潜在图学习的疾病预测

    本文通过提出新的动态本地化图剪枝方法，在医学中的两个 CADx 问题上展示了学习单一、最优图形对 GCN 向下游疾病分类任务的可行性，由此我们证明了图形学习对于在医学应用中使用 GCN 进行更准确和稳健推断的重要性。

    Mar, 2020

  • 基于卷积神经网络的人类疾病症状关系探索性分析

    本研究分析通过卷积神经网络和支持向量机预测疾病，并使用 K-Means 和主成分分析研究了疾病的歧义性，结果表明机器学习可以在疾病早期阶段对疾病进行 98-100% 准确的诊断。异常症状是诊断疾病的良好代理，同时也提高了疾病预测任务的准确性。

    Feb, 2023

  • 应用二维嵌入和卷积神经网络进行宏基因组数据深度学习

    本文介绍了一种使用卷积神经网络（CNN）进行生物信息学任务的方法，包括将甲基基因组数据映射为有意义的 1D 或 2D 图像，用于预测各种疾病。该方法在六个不同的数据集上应用，包括总共 1000 多个来自多种疾病的样本。

    Dec, 2017

  • 利用异构图模型对生物实体的空间关系进行建模，用于乳腺癌的诊断

    本文旨在提出一种基于异构图神经网络的新方法，通过捕获细胞与组织之间的空间和层次关系，增强组织学图像中有用信息的提取，与转换器方法相比，本方法在参数数量和准确性方面都有所突破，在三个公开的乳腺癌数据集中表现出更高的效率和精度。

    Jul, 2023

  • 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