論文の概要: Employing Feature Selection Algorithms to Determine the Immune State of
a Mouse Model of Rheumatoid Arthritis
- arxiv url: http://arxiv.org/abs/2207.05882v2
- Date: Sat, 21 Oct 2023 19:55:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 15:08:47.141299
- Title: Employing Feature Selection Algorithms to Determine the Immune State of
a Mouse Model of Rheumatoid Arthritis
- Title（参考訳）: 関節リウマチモデルマウスの免疫状態決定のための特徴選択アルゴリズムの利用
- Authors: Brendon K. Colbert, Joslyn L. Mangal, Aleksandr Talitckii, Abhinav P.
Acharya and Matthew M. Peet
- Abstract要約: 免疫反応は、抗原が自己なのか非自己なのかを体が決定する動的な過程である。
関節リウマチ(RA)などの免疫療法の目標は、免疫状態に偏り、規制的なアクターに有利である。
- 参考スコア（独自算出の注目度）: 43.410962336636224
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The immune response is a dynamic process by which the body determines whether
an antigen is self or nonself. The state of this dynamic process is defined by
the relative balance and population of inflammatory and regulatory actors which
comprise this decision making process. The goal of immunotherapy as applied to,
e.g. Rheumatoid Arthritis (RA), then, is to bias the immune state in favor of
the regulatory actors - thereby shutting down autoimmune pathways in the
response. While there are several known approaches to immunotherapy, the
effectiveness of the therapy will depend on how this intervention alters the
evolution of this state. Unfortunately, this process is determined not only by
the dynamics of the process, but the state of the system at the time of
intervention - a state which is difficult if not impossible to determine prior
to application of the therapy. To identify such states we consider a mouse
model of RA (Collagen-Induced Arthritis (CIA)) immunotherapy; collect high
dimensional data on T cell markers and populations of mice after treatment with
a recently developed immunotherapy for CIA; and use feature selection
algorithms in order to select a lower dimensional subset of this data which can
be used to predict both the full set of T cell markers and populations, along
with the efficacy of immunotherapy treatment.
- Abstract（参考訳）: 免疫応答は、体が抗原が自己であるか否かを判断するダイナミックなプロセスである。
この動的プロセスの状態は、この意思決定プロセスを構成する炎症性および規制的なアクターの相対的バランスと人口によって定義される。
関節リウマチ(ra)などに対する免疫療法の目標は、免疫状態の偏りを調節因子に委ねることであり、反応中の自己免疫経路を遮断することである。
免疫療法にはいくつかの既知のアプローチがあるが、治療の有効性は、この介入がこの状態の進化をどのように変化させるかに依存する。
残念ながら、このプロセスはプロセスのダイナミクスによって決定されるだけでなく、介入時のシステムの状態によって決定される。
このような状態を特定するために、RA(コラーゲン誘発関節炎)免疫療法のマウスモデルを検討し、最近開発されたCIAの免疫療法で治療したマウスのT細胞マーカーおよび集団の高次元データを収集し、このデータの低次元サブセットを選択するために特徴選択アルゴリズムを用いて、免疫療法の効果とともにT細胞マーカーと集団の完全なセットを予測できる。
関連論文リスト
- Generative Humanization for Therapeutic Antibodies [4.456125565993172]
人間化(Humanization)は、免疫原性と呼ばれる1つの重大なリスクに対処するシーケンス最適化戦略である。
我々は,ヒト抗体データに基づいて訓練された言語モデルからヒト化変異をサンプリングする条件生成モデリングタスクとして,人間化を再編成する。
免疫原性リスクを低減し、治療特性を維持または改善した候補配列を得るために、抗原結合親和性などの治療特性のモデルを含むサンプリングプロセスについて述べる。
論文 参考訳（メタデータ） (2024-12-06T02:54:45Z) - Harnessing Preference Optimisation in Protein LMs for Hit Maturation in Cell Therapy [0.5315454965484603]
細胞と免疫療法は、免疫系を調節することにより、がんや自己免疫疾患などの疾患を治療するための形質転換能を提供する。
これらの治療法の開発は資源集約的であり、薬物候補の大多数は実験室での試験以上の進歩に失敗している。
近年の機械学習の進歩は、タンパク質工学などの領域に革命をもたらし、大規模で標準化されたデータセットの不足や細胞系の複雑さにより、免疫療法の応用は制限され続けている。
論文 参考訳（メタデータ） (2024-12-02T11:21:58Z) - Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。
医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。
このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
論文 参考訳（メタデータ） (2024-11-05T18:14:49Z) - A unified cross-attention model for predicting antigen binding specificity to both HLA and TCR molecules [4.501817929699959]
免疫チェックポイント阻害剤は様々な種類の腫瘍に対して有望な臨床効果を示した。
腫瘍抗原とHLA-I/TCR分子との結合は抗原提示とT細胞活性化を決定する。
両受容体へのペプチドの結合を同時に予測するために設計された,統合型クロスアテンショントランスフォーマーモデルUnifyImmunを提案する。
論文 参考訳（メタデータ） (2024-04-08T08:25:25Z) - AI driven B-cell Immunotherapy Design [0.0]
抗原中和と除去ヒンジの効果は、パラトープ-エピトープ相互作用の強さ、感受性、特異性に影響を及ぼす。
近年、人工知能と機械学習の手法は大きな進歩を遂げ、タンパク質の構造とその複合体の予測に革命をもたらした。
本稿では,B細胞免疫療法設計分野における機械学習ツールとそのフレームワークの進歩に焦点をあてる。
論文 参考訳（メタデータ） (2023-09-03T09:14:10Z) - Non-Linear Self Augmentation Deep Pipeline for Cancer Treatment outcome
Prediction [7.455416595124159]
著者らは、深い下流の分類器とともに非線形セルアーキテクチャを利用する革新的な戦略を提示している。
本研究の目的は,胸部CT像から抽出した2次元特徴を慎重に選択・拡張し,治療成績の予測を改善することである。
提案したパイプラインは、高度に組み込まれたPoint of Careシステムとシームレスに統合するように慎重に設計されている。
論文 参考訳（メタデータ） (2023-07-26T15:01:26Z) - Dense Feature Memory Augmented Transformers for COVID-19 Vaccination
Search Classification [60.49594822215981]
本稿では,新型コロナウイルスワクチン関連検索クエリの分類モデルを提案する。
本稿では,モデルが対応可能なメモリトークンとして,高密度特徴を考慮した新しい手法を提案する。
この新しいモデリング手法により,Vaccine Search Insights (VSI) タスクを大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-12-16T13:57:41Z) - Exploiting segmentation labels and representation learning to forecast
therapy response of PDAC patients [60.78505216352878]
化学療法に対する腫瘍反応を予測するためのハイブリッドディープニューラルネットワークパイプラインを提案する。
セグメンテーションから分類への表現伝達の組み合わせと、ローカライゼーションと表現学習を利用する。
提案手法は, 合計477個のデータセットを用いて, ROC-AUC 63.7% の処理応答を予測できる, 極めて効率的な手法である。
論文 参考訳（メタデータ） (2022-11-08T11:50:31Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳（メタデータ） (2020-02-10T20:47:36Z)
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。
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。