Fugu-MT 論文翻訳(概要): Distinguishing Cell Phenotype Using Cell Epigenotype

論文の概要: Distinguishing Cell Phenotype Using Cell Epigenotype

arxiv url: http://arxiv.org/abs/2003.09432v1
Date: Fri, 20 Mar 2020 18:00:07 GMT
ステータス: 処理完了
システム内更新日: 2022-12-21 23:09:24.292060
Title: Distinguishing Cell Phenotype Using Cell Epigenotype
Title（参考訳）: 細胞エピゲノタイプを用いた細胞表現型識別
Authors: Thomas P. Wytock and Adilson E. Motter
Abstract要約: 顕微鏡観察とマクロな振る舞いの関係は、生体物理学システムにおける根本的なオープンな問題である。既存の手法とは対照的に,ヒトの組織多様性と利用可能なデータの制限を考慮に入れた場合でも,マクロ分子データから細胞型を予測する統一的なアプローチを開発する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The relationship between microscopic observations and macroscopic behavior is a fundamental open question in biophysical systems. Here, we develop a unified approach that---in contrast with existing methods---predicts cell type from macromolecular data even when accounting for the scale of human tissue diversity and limitations in the available data. We achieve these benefits by applying a k-nearest-neighbors algorithm after projecting our data onto the eigenvectors of the correlation matrix inferred from many observations of gene expression or chromatin conformation. Our approach identifies variations in epigenotype that impact cell type, thereby supporting the cell type attractor hypothesis and representing the first step toward model-independent control strategies in biological systems.
Abstract（参考訳）: 顕微鏡観察とマクロな振る舞いの関係は、生体物理学システムにおける根本的なオープンな問題である。そこで我々は,ヒトの組織多様性と利用可能なデータの制限を考慮に入れた場合においても,マクロ分子データから細胞型を予測する統一的な手法を開発した。相関行列の固有ベクトルにデータを投影した後、k-nearest-neighborsアルゴリズムを適用し、遺伝子発現やクロマチンコンホメーションの多くの観測から推定した。提案手法は, 細胞型に影響を与えるエピジェノタイプの変異を同定し, 細胞型アトラクタ仮説をサポートし, 生体系におけるモデル非依存制御戦略への第一歩を示す。

関連論文リスト

Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
論文参考訳（メタデータ） (2024-07-16T14:05:03Z)
Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文参考訳（メタデータ） (2024-03-02T00:56:05Z)
Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文参考訳（メタデータ） (2023-11-28T09:14:55Z)
Mixed Models with Multiple Instance Learning [51.440557223100164]
一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
論文参考訳（メタデータ） (2023-11-04T16:42:42Z)
Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文参考訳（メタデータ） (2023-10-23T13:35:24Z)
Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文参考訳（メタデータ） (2023-10-10T14:37:17Z)
Kernel-Based Testing for Single-Cell Differential Analysis [23.769396655341204]
非線形な細胞分布比較のためのカーネルテストフレームワークを提案する。本手法は, 細胞集団の多様性を明らかにするため, 機能的およびグローバルなトランスクリプトーム/エポジェノムの比較を可能にする。
論文参考訳（メタデータ） (2023-07-17T14:10:01Z)
Conditionally Invariant Representation Learning for Disentangling Cellular Heterogeneity [25.488181126364186]
本稿では,不必要な変数や乱れに条件付き不変な表現を学習するために,ドメインの可変性を活用する新しい手法を提案する。単細胞ゲノム学におけるデータ統合など,生物の課題に対して本手法を適用した。具体的には、提案手法は、対象のタスクと無関係なデータバイアスや興味の因果的説明から生物学的信号を解き放つのに役立つ。
論文参考訳（メタデータ） (2023-07-02T12:52:41Z)
Bayesian outcome-guided multi-view mixture models with applications in molecular precision medicine [0.0]
クラスタリングは一般的に、'オミクスデータセットの構造を明らかにするための最初の分析ステップとして実行される。本稿では,変数群(ビュー)を識別する多視点ベイズ混合モデルを提案する。本研究は成層医療の応用を考察し,臨床応用可能な疾患のサブタイプを明確に定義した患者集団の同定を主目的とする。
論文参考訳（メタデータ） (2023-03-01T08:32:23Z)
Learning Causal Representations of Single Cells via Sparse Mechanism Shift Modeling [3.2435888122704037]
本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
論文参考訳（メタデータ） (2022-11-07T15:47:40Z)
Interpretable Single-Cell Set Classification with Kernel Mean Embeddings [14.686560033030101]
Kernel Mean Embeddingは、各プロファイルされた生物学的サンプルの細胞景観をエンコードする。簡単な線形分類器を訓練し、3つのフローおよび質量データセットの最先端の分類精度を実現する。
論文参考訳（メタデータ） (2022-01-18T21:40:36Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。