Subtype-MMCC: multimodal contrastive clustering approach for cancer subtype discovery with multi-omics data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The diversity and complexity of cancer pose significant challenges in creating target treatment strategies. Identifying molecular subtypes of cancer is crucial for recognizing patients with distinct molecular profiles, thereby enhancing the accuracy of diagnosis, prognosis, and treatment decisions. With recent advancements in technology, there’s been a significant increase in the availability of multi-omics data, which is instrumental in the understanding of different cancer subtypes. However, accurately subtyping cancer is difficult due to the high dimensionality and heterogeneity of omics data. Current research in subtype identification often consolidates multi-omics data into a single dataset through simple concatenation and then employs machine learning models to derive a lower-dimensional representation, neglecting the unique distributions of different omics data types. Additionally, they separate representation learning and clustering into two stages, initially learning latent representations and then applying clustering algorithms, leading to suboptimal results due to overlooking the intrinsic clustering structures in the initial learning phase. To address these limitations, we propose a novel deep unsupervised learning model, Subtype-MMCC (Multi-modal Contrastive Clustering) that combines a multi-modal architecture with decoupled contrastive clustering to create an end-to-end framework. Tested on eight TCGA cancer datasets, Subtype-MMCC outperforms existing clustering methods, with its efficacy further validated by survival and clinical analysis outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle