文献

J-GLOBAL ID：202002270241063145   整理番号：20A2286289

自己正規化ニューラルネットワークと特徴選択に基づく汎癌分類【JST・京大機械翻訳】

Pan-Cancer Classification Based on Self-Normalizing Neural Networks and Feature Selection

著者 (5件)： Li Junyi (Department of Computer Science and Technology, Harbin Institute of Technology, Shenzhen, China) ,  Xu Qingzhe (Department of Computer Science and Technology, Harbin Institute of Technology, Shenzhen, China) ,  Wu Mingxiao (Department of Computer Science and Technology, Harbin Institute of Technology, Shenzhen, China) ,  Huang Tao (Shanghai Institute of Nutrition and Health, Shanghai Institutes for Biological Sciences, Chinese Academy of Sciences, Shanghai, China) ,  Wang Yadong (Department of Computer Science and Technology, Harbin Institute of Technology, Shenzhen, China)
資料名： Frontiers in Bioengineering and Biotechnology (Web)  (Frontiers in Bioengineering and Biotechnology (Web))
巻： 8  ページ： 766  発行年： 2020年 
JST資料番号： U7059A  ISSN： 2296-4185  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 癌は重症疾患の1つであり,癌分類は癌診断と治療において重要な役割を果たす。いくつかの異なる癌は,DNAコピー数変異体のような類似の分子特徴を持つ。Pan-癌分類は,分子レベルではまだ自明でない。ここでは,汎癌コピー数変動データを解析するため,自己正規化ニューラルネットワーク(SNN)を用いて癌タイプを分類するための計算法を提案した。コピー数変動特徴の次元が高いので,モンテカルロ特徴選択法を用いてこれらの特徴をランク付けした。次に,分類器をSNNと特徴選択法で構築し,特徴を選択した。予測モデルのために3万64の特徴を選定し,精度値は0.798であり,マクロF1は0.789であった。このモデルをランダムフォレスト法と比較した。結果は,著者らの分類器によって得た精度とマクロF1がランダムフォレスト分類器で得られたものより高く,4つの異なる癌タイプを識別する著者らの方法の良好な予測力を示す。この方法は他の分子特徴に対する汎癌分類にも拡張可能である。Copyright 2020 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： モンテカルロ法 ,  *ニューラルネットワーク ,  DNA【核酸】 ,  *特徴選択 ,  等級づけ ,  *正規化 ,  コピー数 ,  予測モデル
準シソーラス用語： 癌診断 ,  ランダムフォレスト ,  *癌分類 , 【Automatic Indexing@JST】

著者キーワード (5件)： 癌分類 ,  汎癌 ,  自己正規化ニューラルネットワーク ,  コピー数変化 ,  特徴選択

分類 (2件)： 腫ようの診断  (GE03020J) ,  医用画像処理  (JE04020T)

引用文献 (26件)：

• Angermueller C., Pärnamaa T, Parts L., Stegle O. (2016). Deep learning for computational biology. Mol. Syst. Biol. 12:878. doi: 10.15252/msb.20156651
• Bengio Y., Simard P., Frasconi P. (1994). Learning long-term dependencies with gradient descent is difficult. IEEE Trans. Neural. Netw. 5, 157-166. doi: 10.1109/72.279181
• Chen L., Li J., Zhang Y. H., Feng K., Wang S., Zhang Y., et al. (2018). Identification of gene expression signatures across different types of neural stem cells with the Monte-Carlo feature selection method. J. Cell Biochem. 119, 3394-3403. doi: 10.1002/jcb.26507
• Chen L., Wang S., Zhang Y.-H., Li J., Xing Z.-H., Yang J., Huang T., Cai Y.-D. (2017). Identify key sequence features to improve CRISPR sgRNA efficacy. Biochim. Biophys. Acta 5, 26582-26590. doi: 10.1109/ACCESS.2017.2775703
• Cutler A., Cutler D. R., Stevens J. R. (2012). "Random forests," in Ensemble Machine Learning, eds Zhang C., Ma Y. (Golden Valley, MN: Springer), 157-175. doi: 10.1007/978-1-4419-9326-7_5

タイトルに関連する用語 (5件)： 自己 ,  正規化 ,  ニューラルネットワーク ,  特徴選択 ,  癌分類