混合グラフィカルモデル学習のためのスケーラブルな誕生-死MCMCアルゴリズムとゲノムデータ統合への応用【JST・京大機械翻訳】

Wang Nanwei; Briollais Laurent; Massam Helene

プレプリント

J-GLOBAL ID：202202204360208663 整理番号：22P0144858

混合グラフィカルモデル学習のためのスケーラブルな誕生-死MCMCアルゴリズムとゲノムデータ統合への応用【JST・京大機械翻訳】

The scalable Birth-Death MCMC Algorithm for Mixed Graphical Model Learning with Application to Genomic Data Integration

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 (3件)： , ,
資料名：
発行年： 2020年05月08日プレプリントサーバーでの情報更新日： 2020年05月08日
JST資料番号： O7000B 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)

生物学的研究の最近の進歩は,前例のない深度とスケールでの生物学的機構の研究を可能にする多数の応用を伴うハイスループット技術の出現を見た。大量のゲノムデータは,現在,組織または細胞の特異的タイプに関する生物学的情報の特定タイプが利用可能である,癌ゲノムアトラス(TCGA)のようなコンソーシアムを通して分布している。癌研究において,癌転帰と相関するゲノム過程,例えば特異的癌サブグループ(癌サブタイピング)を識別する遺伝子ネットワークの解明,または異なる癌タイプ(pan-癌研究)で重複する遺伝子ネットワークの発見をよりよく理解する目的で,この課題は,高次元多染色体データの統合的分析を行うことである。本論文では,異なるタイプ(連続,離散およびカウント)のマルチオミックデータを解析するため,そして,サイト{ステップヘン2000bayesian}によって最初に提案されたBirth-Deth MCMC(BDMCMC)アルゴリズムを拡張することによって,モデル選択を実行する,そして,後に,サイト{モーマジ2015bayesian}によって開発された後に,モデル選択を実行するための,新しい混合グラフィカルモデルアプローチを提案した。LASSO法及び標準BDMCMC法に対するこの方法の性能をシミュレーションを用いて比較し,本手法が計算効率とモデル選択結果の精度の両方に関して優れていることを見出した。最後に,TCGA乳癌データへの適用は,異なるレベル(変異と発現データ)でのゲノム情報の統合が乳癌のより良いサブタイピングにつながることを示す。【JST・京大機械翻訳】

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

基礎腫よう学一般 , 分子・遺伝情報処理

, , , , , , ,

前のページに戻る