論文の概要: Variational Mixtures of ODEs for Inferring Cellular Gene Expression Dynamics

• arxiv url: http://arxiv.org/abs/2207.04166v1
• Date: Sat, 9 Jul 2022 00:50:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-12 15:37:17.352168
• Title: Variational Mixtures of ODEs for Inferring Cellular Gene Expression Dynamics
• Title（参考訳）: 細胞遺伝子発現ダイナミクス推定のためのODEの変動混合
• Authors: Yichen Gu, David Blaauw, Joshua Welch
• Abstract要約: 計算生物学の鍵となる問題は、細胞運命の遷移を制御する遺伝子発現の変化を発見することである。 我々は常微分方程式の変分混合と呼ばれるアプローチを開発する。 我々は各細胞の潜時と潜時状態を同時に推測し、その将来的な遺伝子発現状態を予測できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A key problem in computational biology is discovering the gene expression changes that regulate cell fate transitions, in which one cell type turns into another. However, each individual cell cannot be tracked longitudinally, and cells at the same point in real time may be at different stages of the transition process. This can be viewed as a problem of learning the behavior of a dynamical system from observations whose times are unknown. Additionally, a single progenitor cell type often bifurcates into multiple child cell types, further complicating the problem of modeling the dynamics. To address this problem, we developed an approach called variational mixtures of ordinary differential equations. By using a simple family of ODEs informed by the biochemistry of gene expression to constrain the likelihood of a deep generative model, we can simultaneously infer the latent time and latent state of each cell and predict its future gene expression state. The model can be interpreted as a mixture of ODEs whose parameters vary continuously across a latent space of cell states. Our approach dramatically improves data fit, latent time inference, and future cell state estimation of single-cell gene expression data compared to previous approaches.
• Abstract（参考訳）: 計算生物学における重要な問題は、ある細胞型が別の細胞に変化する細胞運命遷移を制御する遺伝子発現の変化を発見することである。 しかし、個々の細胞を縦方向に追跡することはできず、リアルタイムで同じ位置にある細胞は遷移過程の異なる段階にある可能性がある。 これは、時間不明の観測から力学系の挙動を学ぶ問題と見なすことができる。 さらに、単一の前駆細胞型は、しばしば複数の子細胞型に分岐し、ダイナミクスをモデル化する問題を複雑にする。 この問題に対処するため,常微分方程式の変分混合という手法を開発した。 遺伝子発現の生化学によって誘導される単純なODEのファミリーを用いて、深部生成モデルの可能性を制限することで、各細胞の潜伏時間と潜伏状態を同時に推測し、将来の遺伝子発現状態を予測することができる。 このモデルは、セル状態の潜在空間にわたってパラメータが連続的に変化するODEの混合と解釈できる。 本手法は,従来手法と比較して,データ適合性,潜在時間推定,将来の細胞状態推定を劇的に改善する。

関連論文リスト

• Meta Flow Matching: Integrating Vector Fields on the Wasserstein Manifold [83.18058549195855]
  自然科学における複数の過程は、確率密度のワッサーシュタイン多様体上のベクトル場として表さなければならない。 特に、疾患の発生とその治療反応が患者固有の細胞の微小環境に依存するパーソナライズド医療において重要である。 本稿では,これらのベクトル場をワッサーシュタイン多様体上で積分するメタフローマッチング(Meta Flow Matching, MFM)を提案する。
  論文  参考訳（メタデータ） (2024-08-26T20:05:31Z)
• 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)
• Engineering morphogenesis of cell clusters with differentiable programming [2.0690546196799042]
  我々は,発達モデルにおいて,創発的,システムレベルの特性をもたらす局所的相互作用規則と遺伝的ネットワークを発見する。 複雑な発達シナリオにおいて,細胞間相互作用と遺伝的ネットワークのパラメータを同時に学習できることが示される。
  論文  参考訳（メタデータ） (2024-07-08T18:05:11Z)
• Correlational Lagrangian Schr\"odinger Bridge: Learning Dynamics with Population-Level Regularization [27.855576268065857]
  相関型Lagrangian Schr"odinger Bridge (CLSB) と呼ばれる新しいフレームワークを紹介する。 CLSBは、最小人口の「コスト」のために正規化しながら、クロステキスト観察における進化の「ブリッジング」を求める 本研究の貢献は,(1)多変量関係における時間的変動を捉えた新しい集団正規化器群,(3)遺伝的共発現安定性に基づく3つのドメインインフォームドインスタンス化である。
  論文  参考訳（メタデータ） (2024-02-04T19:33:44Z)
• 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)
• 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)
• Growing Isotropic Neural Cellular Automata [63.91346650159648]
  我々は、元のGrowing NCAモデルには、学習された更新規則の異方性という重要な制限があると主張している。 細胞系は2つの方法のいずれかによって、正確な非対称パターンを成長させる訓練が可能であることを実証する。
  論文  参考訳（メタデータ） (2022-05-03T11:34:22Z)
• Topological Data Analysis in Time Series: Temporal Filtration and Application to Single-Cell Genomics [13.173307471333619]
  単細胞トポロジカル単純解析(scTSA)を提案する。 このアプローチを細胞の局所ネットワークから単細胞遺伝子発現プロファイルに適用すると、これまで見つからなかった細胞生態のトポロジーが明らかになる。 38,731細胞,25細胞タイプ,12時間ステップにまたがるゼブラフィッシュ胚発生の単一細胞RNA-seqデータに基づいて,本研究は胃粘膜を最も重要な段階として強調する。
  論文  参考訳（メタデータ） (2022-04-29T12:46:14Z)
• Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
  我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。 我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
  論文  参考訳（メタデータ） (2021-10-11T12:48:44Z)
• Distinguishing Cell Phenotype Using Cell Epigenotype [0.0]
  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。
  論文  参考訳（メタデータ） (2020-03-20T18:00:07Z)

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。