MARC

 008250123s2024        us                              c    eng  d
■001000017164061
■00520250211152827
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798346567400
■035    ▼a(MiAaPQ)AAI31560251
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■1001  ▼aLi,  Michelle  M.▼0(orcid)0000-0003-0223-7485
■24510▼aContextual  Learning  on  Graphs  for  Precision  Medicine
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a371  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Zitnik,  Marinka.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aPrecision  medicine  requires  reasoning  over  interconnected  data  across  multiple  modalities  to  tailor  medical  decisions  based  on  the  context  of  individual  patients.  Graphs---or  networks---are  universal  descriptors  for  systems  of  interacting  elements,  and  deep  learning  on  biomedical  graphs  has  facilitated  advancements  in  medicine,  including  accelerated  disease  gene  prioritization  and  drug  target  identification.  However,  existing  graph-based  models  are  context-free:  unable  to  adjust  their  outputs  based  on  the  contexts  in  which  they  operate.  This  PhD  dissertation  innovates  two  fundamental  contextual  learning  algorithms,  SHEPHERD  and  PINNACLE,  to  tackle  medical  questions  for  which  patient  and  cell  type  contexts,  respectively,  are  important.  SHEPHERD  addresses  the  challenge  of  low  sample  sizes  among  rare  diseases  by  infusing  patient  data  with  external  biomedical  knowledge.  It  considers  individual  patients  as  unique  subgraphs  in  a  rare  disease  knowledge  graph  to  learn  patient-specific  contexts  derived  from  relationships  such  as  genotype-phenotype  and  disease-gene  associations,  phenotype  ontology,  and  genetic  pathways.  SHEPHERD's  contextualized  patient  representations  are  optimized  for  multi-faceted  rare  disease  diagnosis:  performing  causal  gene  discovery,  retrieving  "patients-like-me"  with  the  same  causal  gene  or  disease,  and  providing  interpretable  characterizations  of  novel  disease  presentations.  PINNACLE  leverages  cell-type-specific  gene  expression  as  well  as  cellular  and  tissue  organization  to  resolve  the  role  of  a  protein  depending  on  the  cell  type  context.  It  generates  unique  protein  representations  for  every  cell  type  context  using  cell-type-specific  protein  interaction  networks  constructed  from  single-cell  transcriptomic  atlases,  and  enforces  the  global  organization  of  these  representations  with  a  metagraph  of  cell  type  communication  and  tissue  hierarchy.  PINNACLE's  context-aware  protein  representations  enable  the  analysis  of  drug  effects  across  cell  type  contexts  and  the  prediction  of  therapeutic  targets  in  a  cell-type-specific  manner.  Overall,  this  PhD  dissertation  pioneers  the  development  of  contextualized  models  to  empower  precision  medicine,  from  rare  disease  diagnosis  to  drug  discovery.
■590    ▼aSchool  code:  0084.
■650  4▼aBioinformatics
■650  4▼aComputer  science
■650  4▼aHealth  sciences
■653    ▼aContextual  learning
■653    ▼aDrug  discovery
■653    ▼aGraph  machine  learning
■653    ▼aPrecision  medicine
■653    ▼aRare  disease  diagnosis
■653    ▼aSingle-cell  transcriptomics
■690    ▼a0715
■690    ▼a0984
■690    ▼a0566
■71020▼aHarvard  University▼bMedical  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164061▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서