ترجمه فارسی مقاله مدلهای انتشار شرطی با هدایت پیشرو برای تجزیه و تحلیل داده های میکروبیوم

چکیده

Emerging evidence indicates that human cancers are intricately linked to human microbiomes, forming an inseparable connection. However, due to limited sample sizes and significant data loss during collection for various reasons, some machine learning methods have been proposed to address the issue of missing data. These methods have not fully utilized the known clinical information of patients to enhance the accuracy of data imputation. Therefore, we introduce mbVDiT, a novel pre-trained conditional diffusion model for microbiome data imputation and denoising, which uses the unmasked data and patient metadata as conditional guidance for imputating missing values. It is also uses VAE to integrate the the other public microbiome datasets to enhance model performance. The results on the microbiome datasets from three different cancer types demonstrate the performance of our methods in comparison with existing methods.

چکیده به فارسی (ترجمه ماشینی)

شواهد در حال ظهور نشان می دهد که سرطانهای انسانی به طور پیچیده ای با میکروبیوم های انسانی در ارتباط هستند و یک ارتباط جدا نشدنی را تشکیل می دهند.با این حال ، به دلیل اندازه نمونه محدود و از دست دادن داده های قابل توجه در طول جمع آوری به دلایل مختلف ، برخی از روش های یادگیری ماشین برای پرداختن به مسئله داده های گمشده پیشنهاد شده است.این روشها به طور کامل از اطلاعات بالینی شناخته شده بیماران برای افزایش صحت عملکرد داده ها استفاده نکرده اند.بنابراین ، ما MBVDIT را معرفی می کنیم ، یک مدل انتشار شرطی از قبل آموزش دیده برای تغییر داده های میکروبیوم و denoising ، که از داده های غیرمستقیم و ابرداده بیمار به عنوان راهنمایی مشروط برای تحریک مقادیر گمشده استفاده می کند.همچنین از VAE برای ادغام سایر مجموعه داده های میکروبیوم عمومی برای افزایش عملکرد مدل استفاده می شود.نتایج موجود در مجموعه داده های میکروبیوم از سه نوع سرطان مختلف ، عملکرد روشهای ما را در مقایسه با روشهای موجود نشان می دهد.