学习癌症转移的生成模型
定量方法
2019-01-21 v1 机器学习
摘要
我们引入一个在 The Cancer Genome Atlas (TCGA) 上训练的 Unified Disentanglement Network (UFDN,统一解耦网络)。我们通过将网络应用于癌症状态与癌症类型两项分类任务,证明 UFDN 学到了具有生物学相关性的基因表达数据潜空间。我们特定的 UFDN 算法表现与随机森林方法相当。UFDN 允许在不同癌症类型间进行连续的、部分插值。此外,我们对皮肤 cutaneous 黑色素瘤(SKCM)样本与插值至胶质母细胞瘤(GBM)的相同样本之间的差异表达基因进行分析。我们证明我们的插值学到了相关的元基因,其重现已知的胶质母细胞瘤机制,并提示了研究 SKCM 向 GBM 转移的可能起点。
引用
@article{arxiv.1901.06023,
title = {Learning a Generative Model of Cancer Metastasis},
author = {Benjamin Kompa and Beau Coker},
journal= {arXiv preprint arXiv:1901.06023},
year = {2019}
}