論文の概要: SystemMatch: optimizing preclinical drug models to human clinical
outcomes via generative latent-space matching
- arxiv url: http://arxiv.org/abs/2205.07110v1
- Date: Sat, 14 May 2022 18:56:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-17 16:52:05.303776
- Title: SystemMatch: optimizing preclinical drug models to human clinical
outcomes via generative latent-space matching
- Title(参考訳): SystemMatch:生成的潜在空間マッチングによる前臨床結果の最適化
- Authors: Scott Gigante, Varsha G. Raghavan, Amanda M. Robinson, Robert A.
Barton, Adeeb H. Rahman, Drausin F. Wulsin, Jacques Banchereau, Noam Solomon,
Luis F. Voloch and Fabian J. Theis
- Abstract要約: 本稿では,プリクリナルモデルシステムとtextitin sapiens$ターゲット集団の適合性を評価するためのSystemMatchを紹介した。
対象個体群と生物学的に類似していることから,我々のパイプラインがマクロファージサブ集団のランク付けに成功していることを示す。
摂動型オートエンコーダを用いて生成した66$textitin silico$モデル系の挙動を予測するために,この解析を拡張した。
- 参考スコア(独自算出の注目度): 0.6291681227094761
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Translating the relevance of preclinical models ($\textit{in vitro}$, animal
models, or organoids) to their relevance in humans presents an important
challenge during drug development. The rising abundance of single-cell genomic
data from human tumors and tissue offers a new opportunity to optimize model
systems by their similarity to targeted human cell types in disease. In this
work, we introduce SystemMatch to assess the fit of preclinical model systems
to an $\textit{in sapiens}$ target population and to recommend experimental
changes to further optimize these systems. We demonstrate this through an
application to developing $\textit{in vitro}$ systems to model human
tumor-derived suppressive macrophages. We show with held-out $\textit{in vivo}$
controls that our pipeline successfully ranks macrophage subpopulations by
their biological similarity to the target population, and apply this analysis
to rank a series of 18 $\textit{in vitro}$ macrophage systems perturbed with a
variety of cytokine stimulations. We extend this analysis to predict the
behavior of 66 $\textit{in silico}$ model systems generated using a
perturbational autoencoder and apply a $k$-medoids approach to recommend a
subset of these model systems for further experimental development in order to
fully explore the space of possible perturbations. Through this use case, we
demonstrate a novel approach to model system development to generate a system
more similar to human biology.
- Abstract(参考訳): ヒトにおける前臨床モデルの関連性(動物モデルまたはオルガノイド)の翻訳は、薬物開発において重要な課題である。
ヒト腫瘍や組織からの単細胞ゲノムデータの増加は、疾患の標的細胞型と類似性によってモデルシステムを最適化する新たな機会を提供する。
そこで本研究では,前臨床モデルの適応度を$\textit{in sapiens}$ターゲット人口に評価するためにsystemmatchを導入し,これらのシステムをさらに最適化するための実験的な変更を推奨する。
腫瘍由来の抑制マクロファージをモデル化するための$\textit{in vitro}$システム開発への応用を通してこれを実証する。
対象個体群との生物学的類似性により,我々のパイプラインがマクロファージ亜集団を分類することに成功していることを把握し,この分析を用いて18ドルの\textit{in vitro}$マクロファージシステムを様々なサイトカイン刺激で摂動させた。
摂動オートエンコーダを用いて生成された66$\textit{in silico}$モデルシステムの振る舞いを予測するためにこの分析を拡張し、これらのモデルシステムのサブセットを推奨するために$k$-medoidsアプローチを適用して、摂動の空間を完全に探求する。
このユースケースを通じて,人間の生物学に類似したシステムを生成するために,システム開発をモデル化する新しいアプローチを示す。
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) - 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) - Control of Medical Digital Twins with Artificial Neural Networks [0.24578723416255746]
この研究は、医療用デジタルツインを制御する代替アプローチとして、動的インフォームドニューラルネットワークコントローラを導入している。
提案手法の有効性を他の手法と比較し, 評価を行った。
論文 参考訳(メタデータ) (2024-03-18T19:30:46Z) - 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) - A Generative Modeling Framework for Inferring Families of Biomechanical
Constitutive Laws in Data-Sparse Regimes [0.15658704610960567]
本稿では,データスパース体制における関係の家族を効率的に推定する新しい手法を提案する。
機能的先行概念に着想を得て,ニューラル演算子をジェネレータとし,完全接続ネットワークを敵判別器として組み込んだ生成ネットワーク(GAN)を開発した。
論文 参考訳(メタデータ) (2023-05-04T22:07:27Z) - 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) - Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence
Classification [109.81283748940696]
我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。
シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
論文 参考訳(メタデータ) (2022-07-18T19:16:56Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳(メタデータ) (2021-05-11T16:02:39Z) - Inference of cell dynamics on perturbation data using adjoint
sensitivity [4.606583317143614]
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。
論文 参考訳(メタデータ) (2021-04-13T19:15:56Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z)
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。