DoReMiiiiFa-优快云博客

原创 ADNI蛋白质数据集下载

（首先确定要下哪种类型的蛋白质，有血浆、脑脊液和尿液；然后不同的公司平台测试的人数和蛋白质种类也都不一样，这个要根据你的需求来找）选择ADNI（其实PPMI数据也是这样下的），没有账号的人根据其他帖子搞一个账号吧，不然是下不了的。（我发现这个网站最近又更新了界面，现在变得很好看很简洁，但是有一些入口变了）

2024-11-05 22:05:01 409 2

原创 Sparse Kernel Canonical Correlation Analysis

论文链接：https://arxiv.org/pdf/1701.04207。看这篇论文终于看懂核函数了。

2024-08-26 21:52:51 260

原创基于深度生物学引导辅助学习的多模态数据整合和插补来改进基因型-表型预测

基于深度生物学引导辅助学习的多模态数据整合和插补来改进基因型-表型预测

2024-08-12 22:11:44 730

原创利用有效特征交互学习识别遗传变异对神经影像学表型的主效应和表观遗传效应

然而，现有的方法主要关注遗传变异的主要影响，潜在地忽视了表观遗传效应的关键作用，这解释了大脑疾病缺失的遗传性。在阿尔茨海默病神经成像倡议(ADNI)数据集上的实验结果表明，与现有方法相比，我们的MTfiSCCA方法获得了更高的典型相关系数(CCC)和更好的疾病相关生物标志物等特征选择子集。此外，MTfiSCCA揭示了与阿尔茨海默病(AD)有关的遗传变异之间可解释的表观遗传效应，为阿尔茨海默病(AD)等脑部疾病的潜在致病机制提供了新的见解。最后，我们使用ADNI数据集评估了MTfiSCCA和相关的最新方法。

2024-07-09 17:44:18 893

原创阿尔茨海默病的基因型-蛋白相互作用和相关性建模:多组学成像遗传学研究

我们提出MT-GPIC，从基因型（SNPs）、蛋白质（Y）和成像表型（Z）的数据中，联合识别基因型-蛋白质相互作用（GPI），并展示基因型-蛋白质相关（GPC）的情况。一般来说，遗传变异和蛋白质之间的相互作用及其相关性是两种不同的生物效应，因此，对遗传成像表型的两种影响进行分离是非常有趣和必要的。U是SNP的权重，V是蛋白质的权重，Q是SNPs和蛋白质标记物之间的相互作用效应GPI的矩阵，w是表型的权重。，指的是基因和蛋白质之间的效应修饰，因为蛋白质与特定的DNA序列结合，并有助于成像表型。

2024-07-08 20:28:31 742

原创矩阵求导Matrix Calculus

好好用啊啊啊啊啊，我之前推导两三页特别花时间，而且很多时候都因为一些地方没注意推导错。因为科研需要对各种范数求导，每次对着数学公式的参考书找的很烦啊！如果是2范数的话可以直接写成norm2，但是F范数还是要展开。发现了一个网站，很适合我这种无脑的人。ok公式好难打啊，我手写拍照得了。

2024-07-01 22:47:16 223

原创基于神经影像数据的多模态潜在空间诱导集成SVM分类器早期痴呆诊断

具体来说，我们首先将来自不同模态的神经成像数据投影到一个潜在空间中，然后将学习到的潜在表征映射到标签空间中，以学习多个多样化的分类器。为此，我们提出了一种新的基于多模态潜在空间诱导集成SVM分类器的AD诊断框架，该框架可以在一个统一的框架内无缝地进行潜在空间学习和多种分类器学习的集成(如图1所示)。具体来说，我们首先将来自不同模式(即我们研究中的MRI和PET)的神经成像特征投射到一个共同的潜在空间中，在学习它们的潜在表征的同时利用跨模式的相关性。（我只想知道缺失数据的处理方法，所以是挑着写的）

2024-07-01 22:35:24 666 1

原创通过自适应稀疏多视图典型相关分析识别基因组、蛋白质组和成像生物标志物之间的关联

Identifying associations among genomic, proteomic and imaging biomarkers via adaptive sparse multi-view canonical correlation analysis源代码：GitHub - dulei323/AdaSMCCA: Adaptive Sparse Multi-view Canonical Correlation Analysis.Abstract：为了揭示大脑疾病的遗传基础，大

2024-06-06 21:19:10 2388 1

原创 Causality Inspired Representation Learning for Domain Generalization

已经提出了许多基于因果关系的方法来获得不变的因果机制[12，56，61]或恢复因果特征[5，10，27，47]，从而提高OOD的泛化能力。为了提高泛化能力，已经提出了许多DG方法，这些方法可以大致分为不变表示学习[9，22，25，34]，域增强[53，59，63，66]，元学习[2，6，21]等。不幸的是，我们不能直接将原始输入分解为X = f（S，U），因为因果/非因果因素通常是不可观察的，并且无法用公式表示，这使得因果推理特别具有挑战性[51，55]。假设[23，24，30]。

2024-06-04 11:25:19 1089