オープンイノベーション競争による生物学におけるデコンボリューション法の改善:連結性マップへの適用【JST・京大機械翻訳】

Blasco, A.; Natoli, T.; Endres, M. G.; Sergeev, R. A.; Randazzo, S.; Paik, J. H.; Macaluso, N. M.; Narayan, R.; Lu, X.; Peck, D.; Lakhani, K. R.; Subramanian, A.

プレプリント

J-GLOBAL ID：202202202774176124 整理番号：22P0222684

オープンイノベーション競争による生物学におけるデコンボリューション法の改善:連結性マップへの適用【JST・京大機械翻訳】

Improving Deconvolution Methods in Biology through Open Innovation Competitions: An Application to the Connectivity Map

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (12件)： , , , , , , , , , , ,
資料名：
発行年： 2020年10月09日プレプリントサーバーでの情報更新日： 2020年10月09日
JST資料番号： O7001B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

Do機械学習法は遺伝子発現データのための標準デコンボリューション技術を改善する。本論文では,20か国からの294の競争者によって開発された広範囲の遺伝子発現デコンボリューションアプローチを評価するために,オープンイノベーション競争と組み合わせたユニークな新しいデータセットを使用した。競合の目的は,遺伝子対の複合体測定から個々の遺伝子の発現を分離することであった。同じ試料からの単一遺伝子の直接測定を用いて結果を評価した。結果は,ランダムフォレスト回帰に基づく採取アルゴリズムが,精度と再現性に関して他の方法より優れていることを示した。より伝統的なガウス混合法はよく機能し,より高速であった。最良の深層学習アプローチは,上記の方法よりわずかに劣った結果をもたらした。この分野の研究者は,本研究で開発したデータセットとアルゴリズムを見出し,それらのデコンボリューション法と多重アプリケーションのための有用な資源をベンチマークするための強力な研究ツールである。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

遺伝子発現 , 分子・遺伝情報処理

, , , , ,

前のページに戻る