Fugu-MT 論文翻訳(概要): Inference of cell dynamics on perturbation data using adjoint sensitivity

論文の概要: Inference of cell dynamics on perturbation data using adjoint sensitivity

arxiv url: http://arxiv.org/abs/2104.06467v1
Date: Tue, 13 Apr 2021 19:15:56 GMT
ステータス: 処理完了
システム内更新日: 2021-04-15 13:06:29.760895
Title: Inference of cell dynamics on perturbation data using adjoint sensitivity
Title（参考訳）: 隣接感度を用いた摂動データによる細胞動態の推定
Authors: Weiqi Ji, Bo Yuan, Ciyue Shen, Aviv Regev, Chris Sander, Sili Deng
Abstract要約: データ駆動型細胞生物学のダイナミックモデルを用いて、目に見えない摂動に対する細胞の反応を予測することができる。最近の研究は、明示的な相互作用項を持つ解釈可能なモデルの導出を実証した。本研究は,このモデル推論手法の適用範囲を生物システムの多様性に拡張することを目的としている。
参考スコア（独自算出の注目度）: 4.606583317143614
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Data-driven dynamic models of cell biology can be used to predict cell response to unseen perturbations. Recent work (CellBox) had demonstrated the derivation of interpretable models with explicit interaction terms, in which the parameters were optimized using machine learning techniques. While the previous work was tested only in a single biological setting, this work aims to extend the range of applicability of this model inference approach to a diversity of biological systems. Here we adapted CellBox in Julia differential programming and augmented the method with adjoint algorithms, which has recently been used in the context of neural ODEs. We trained the models using simulated data from both abstract and biology-inspired networks, which afford the ability to evaluate the recovery of the ground truth network structure. The resulting accuracy of prediction by these models is high both in terms of low error against data and excellent agreement with the network structure used for the simulated training data. While there is no analogous ground truth for real life biological systems, this work demonstrates the ability to construct and parameterize a considerable diversity of network models with high predictive ability. The expectation is that this kind of procedure can be used on real perturbation-response data to derive models applicable to diverse biological systems.
Abstract（参考訳）: データ駆動型細胞生物学のダイナミックモデルを用いて、目に見えない摂動に対する細胞の反応を予測することができる。最近の研究(CellBox)は、パラメータを機械学習技術を用いて最適化した明示的な相互作用項を持つ解釈可能なモデルの導出を実証した。前回の研究は単一の生物学的環境でのみ行われたが、本研究は、このモデル推論アプローチの適用範囲を生物学的システムの多様性に拡張することを目的としている。ここでは、julia微分プログラミングにcellboxを適用し、最近、ニューラルodeの文脈で使われている随伴アルゴリズムでメソッドを拡張した。抽象的ネットワークと生物学的ネットワークの両方から得られたシミュレーションデータを用いてモデルを訓練し,地上真理ネットワーク構造の復元性を評価することができた。これらのモデルによる予測精度は、データに対する低誤差と、シミュレーショントレーニングデータに使用されるネットワーク構造との整合性の両方において高い。実生活の生物学的システムには類似した基礎的真理は存在しないが、この研究は予測能力の高いネットワークモデルの構築とパラメータ化の能力を示している。この種の手順は、様々な生物学的システムに適用可能なモデルを導出するために、実際の摂動応答データに使用できると期待されている。

関連論文リスト

Omics-driven hybrid dynamic modeling of bioprocesses with uncertainty estimation [0.0]
この研究は、機械学習ツールを統合するオミクス駆動モデリングパイプラインを提示している。ランダムフォレストと置換特徴の重要性は、オミクスデータセットをマイニングするために提案されている。連続的かつ微分可能な機械学習関数は、減ったオミクス機能を動的モデルのキーコンポーネントにリンクするように訓練することができる。
論文参考訳（メタデータ） (2024-10-24T15:50:35Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
Toward Physically Plausible Data-Driven Models: A Novel Neural Network Approach to Symbolic Regression [2.7071541526963805]
本稿では,ニューラルネットワークに基づく記号回帰手法を提案する。非常に小さなトレーニングデータセットとシステムに関する事前知識に基づいて、物理的に妥当なモデルを構築する。本研究では,TurtleBot 2移動ロボット,磁気操作システム,2つの抵抗の等価抵抗,アンチロックブレーキシステムの長手力の4つの試験システムに対するアプローチを実験的に評価した。
論文参考訳（メタデータ） (2023-02-01T22:05:04Z)
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)
Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文参考訳（メタデータ） (2022-07-20T07:32:02Z)
HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文参考訳（メタデータ） (2022-06-15T19:10:35Z)
A Physics-Guided Neural Operator Learning Approach to Model Biological Tissues from Digital Image Correlation Measurements [3.65211252467094]
本稿では, 生体組織モデリングにおけるデータ駆動型相関について述べる。これは, 未知の負荷シナリオ下でのデジタル画像相関(DIC)測定に基づいて変位場を予測することを目的としている。ブタ三尖弁リーフレット上の多軸延伸プロトコルのDIC変位追跡測定から材料データベースを構築した。材料応答は、負荷から結果の変位場への解演算子としてモデル化され、材料特性はデータから暗黙的に学習され、自然にネットワークパラメータに埋め込まれる。
論文参考訳（メタデータ） (2022-04-01T04:56:41Z)
EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文参考訳（メタデータ） (2022-02-21T18:59:03Z)
Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文参考訳（メタデータ） (2022-02-18T22:41:51Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)
TaBooN -- Boolean Network Synthesis Based on Tabu Search [0.0]
Omics-Technologyは、複数の次元とスケールで分子データを生成することによって生物学の研究に革命をもたらした。生物学的ネットワークは、遺伝子やタンパク質などのコンポーネントを参照するノードと、それらの相互作用を形式化するエッジ/弧から構成される。
論文参考訳（メタデータ） (2020-09-08T08:56:14Z)

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。