从癌症突变集合学习嵌入用于分类任务
机器学习
2019-11-21 v1 图像与视频处理
基因组学
机器学习
摘要
分析癌症患者的体细胞突变谱对于癌症研究的发展至关重要。然而，大多数突变的低频性以及不同患者间突变率的差异使得这些数据在统计分析上极具挑战性，也难以用于分类问题、聚类、可视化或学习有用信息。因此，创建保留关于癌细胞 DNA 有用信息的体细胞突变谱低维表示，将促进此类数据在推动精准医学的应用中的使用。在本文中，我们探讨从体细胞突变中学习的开放问题，并提出 Flatsomatic：一种利用变分自编码器（VAE）来创建体细胞谱潜表示的解决方案。本文的工作展示了该方法的巨大潜力，VAE 嵌入在聚类任务中表现优于 PCA，在分类任务中与原始高维数据表现相当。我们相信本文提出的方法在未来研究以及将数据驱动模型引入精准肿瘤学中具有重大价值。
引用
@article{arxiv.1911.09008,
title = {Learning Embeddings from Cancer Mutation Sets for Classification Tasks},
author = {Geoffroy Dubourg-Felonneau and Yasmeen Kussad and Dominic Kirkham and John W Cassidy and Nirmesh Patel and Harry W Clifford},
journal= {arXiv preprint arXiv:1911.09008},
year = {2019}
}
备注
Sets & Partitions Workshop at NeurIPS 2019