論文の概要: Modeling adult skeletal stem cell response to laser-machined topographies through deep learning

• arxiv url: http://arxiv.org/abs/2006.00248v2
• Date: Mon, 14 Sep 2020 14:45:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-26 18:18:21.928057
• Title: Modeling adult skeletal stem cell response to laser-machined topographies through deep learning
• Title（参考訳）: 深層学習によるレーザー機械地形に対する成人骨格幹細胞応答のモデル化
• Authors: Benita S. Mackay, Matthew Praeger, James A. Grant-Jacob, Janos Kanczler, Robert W. Eason, Richard O.C. Oreffo and Ben Mills
• Abstract要約: フェムト秒レーザー加工により生じる表面トポグラフィーに対する成人ヒト骨髄間質幹細胞の応答は、ディープニューラルネットワークにより予測できる。 このネットワークは、確率 P 0.001 の位置予測を含む統計的に重要なレベルの細胞応答を予測することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The response of adult human bone marrow stromal stem cells to surface topographies generated through femtosecond laser machining can be predicted by a deep neural network. The network is capable of predicting cell response to a statistically significant level, including positioning predictions with a probability P < 0.001, and therefore can be used as a model to determine the minimum line separation required for cell alignment, with implications for tissue structure development and tissue engineering. The application of a deep neural network, as a model, reduces the amount of experimental cell culture required to develop an enhanced understanding of cell behavior to topographical cues and, critically, provides rapid prediction of the effects of novel surface structures on tissue fabrication and cell signaling.
• Abstract（参考訳）: 深層ニューラルネットワークにより、フェムト秒レーザー加工により生成された表面トポロジーに対する成人ヒト骨髄間質幹細胞の応答を予測できる。 このネットワークは、確率 p < 0.001 の測位予測を含む、統計的に有意なレベルに対する細胞応答を予測することができ、そのため、組織構造発達および組織工学において、細胞アライメントに必要な最小ライン分離を決定するモデルとして使用できる。 ディープニューラルネットのモデルとしての適用は、地形学的手がかりに対する細胞行動の理解を深めるために必要な実験細胞培養量を減少させ、批判的に、新しい表面構造が組織形成および細胞シグナル伝達に及ぼす影響を迅速に予測する。

関連論文リスト

• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本研究では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデルを提案する。 このモデルは分子生物学の中心的なドグマに固執し、タンパク質のコード配列を正確に生成する。 また、特にプロモーター配列の即応的な生成を通じて、シーケンス最適化において大きな可能性を示している。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• TopoCellGen: Generating Histopathology Cell Topology with a Diffusion Model [32.670806339139034]
  本研究では,トポロジ制約を拡散モデルに統合し,現実的で文脈的に正確なセルトポロジの生成を改善する手法を提案する。 本手法は,セルの分布と相互作用のシミュレーションを改良し,セル検出や分類などの下流タスクにおける結果の精度と解釈可能性を高める。
  論文  参考訳（メタデータ） (2024-12-08T18:02:22Z)
• Patient-specific prediction of glioblastoma growth via reduced order modeling and neural networks [0.0]
  グリオ芽腫は成人で最も致命的な脳腫瘍の1つである。 本研究では,精度オンコロジーの数学的枠組みに関する概念実証を提案する。 臨床的な意思決定を支援するために、堅牢で効率的な計算パイプラインを構築します。
  論文  参考訳（メタデータ） (2024-12-04T18:46:05Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Interpretable neural architecture search and transfer learning for understanding CRISPR/Cas9 off-target enzymatic reactions [3.5994174958472307]
  Elektrumは、生化学系の力学を決定するためのディープラーニングフレームワークである。 KINNは中間層として深い畳み込みニューラルネットワークに挿入される。 我々はEektrumを用いてCRISPR-Cas9のオフターゲット編集確率を予測し、最先端のパフォーマンスを実現することを実証する。
  論文  参考訳（メタデータ） (2023-05-18T23:49:42Z)
• Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
  この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。 我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
  論文  参考訳（メタデータ） (2023-03-30T02:40:28Z)
• Spherical convolutional neural networks can improve brain microstructure estimation from diffusion MRI data [0.35998666903987897]
  拡散磁気共鳴イメージングは脳組織の微細構造に敏感である。 測定された信号から臨床および科学的に関係する微細構造特性を推定することは、機械学習が解決するのに役立つ非常に難しい逆問題である。 我々は、効率的にシミュレートされた雑音データから地中構造パラメータ値を予測するために、球面畳み込みニューラルネットワークを訓練した。
  論文  参考訳（メタデータ） (2022-11-17T20:52:00Z)
• The Neural Coding Framework for Learning Generative Models [91.0357317238509]
  本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。 同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
  論文  参考訳（メタデータ） (2020-12-07T01:20:38Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Neuro-symbolic Neurodegenerative Disease Modeling as Probabilistic Programmed Deep Kernels [93.58854458951431]
  本稿では、神経変性疾患のパーソナライズされた予測モデリングのための、確率的プログラムによる深層カーネル学習手法を提案する。 我々の分析は、ニューラルネットワークとシンボリック機械学習のアプローチのスペクトルを考慮する。 我々は、アルツハイマー病の予測問題について評価を行い、深層学習を超越した結果を得た。
  論文  参考訳（メタデータ） (2020-09-16T15:16:03Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。