文献

J-GLOBAL ID：202002244014730962   整理番号：20A2074545

グラフ注意ネットワークを用いた単一細胞データからの病態予測【JST・京大機械翻訳】

Disease state prediction from single-cell data using graph attention networks

著者 (5件)： Ravindra Neal (Yale University) ,  Sehanobish Arijit (Yale University) ,  Pappalardo Jenna L. (Yale University) ,  Hafler David A. (Yale University) ,  van Dijk David (Yale University)
資料名： ACM Proceedings  (ACM Proceedings)
号： CHIL ’20  ページ： 121-130  発行年： 2020年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 単細胞RNA配列決定(scRNA-seq)は,組織における細胞不均一性の不偏な描像を提供し,生物学的発見を革命した。scRNA-seqは健康と疾患への洞察を提供するために広く使用されてきたが,疾患予測や診断には使用されていない。グラフ注意ネットワークは,元の特徴とグラフ構造の両方から学習することにより,広範囲のタスクに対して多用途であることが証明されている。ここでは,多発性硬化症(MS)患者の大規模データセットに関する単一細胞データからの病態を予測するためのグラフ注意モデルを提示する。MSは診断が困難な中枢神経系の疾患である。7名のMS患者と6名の健康な成人(HA)のコホートに対して血液と脳脊髄液(CSF)から得た単一細胞データについて著者らのモデルを訓練し,66667の個々の細胞を得た。MSの予測において92%の精度を達成し,グラフ畳み込みネットワーク,ランダムフォレスト,および多層パーセプトロンのような他の最先端の方法より優れている。さらに,学習グラフ注意モデルを用いて,この予測に重要な特徴(細胞型と遺伝子)に対する洞察を得た。また,グラフ注意モデルは,2つの条件間の差を強調するセルのための新しい特徴空間を推論することを可能にする。最後に,PHATEとUMAPで可視化する新しい低次元埋込みを学習するために注意重みを用いた。知る限りでは,これは,単一細胞データからの病態を予測するために,グラフの注意および一般的に深い学習を使用する最初の努力である。この方法を他の疾患に対する単一細胞データに適用した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 畳込み ,  学習 ,  *ネットワーク ,  RNA【核酸】 ,  遺伝子 ,  髄液 ,  中枢神経系 ,  可視化 ,  母集団 ,  多発性硬化症 ,  多層パーセプトロン
準シソーラス用語： *単一細胞 ,  ランダムフォレスト ,  細胞型 ,  大規模データセット , 【Automatic Indexing@JST】

著者キーワード (4件)： 疾患予測 ,  グラフ注意ネットワーク ,  多発性硬化症 ,  単一細胞RNA-seq

分類 (3件)： 神経系の疾患  (GN03000O) ,  細胞学一般  (EF01000A) ,  遺伝子の構造と化学  (EC02020U)

タイトルに関連する用語 (5件)： グラフ ,  注意 ,  単一細胞 ,  病態 ,  予測