論文の概要: Predicting Cellular Responses with Variational Causal Inference and
Refined Relational Information
- arxiv url: http://arxiv.org/abs/2210.00116v2
- Date: Mon, 17 Apr 2023 06:27:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-19 00:06:10.700526
- Title: Predicting Cellular Responses with Variational Causal Inference and
Refined Relational Information
- Title(参考訳): 変分因果推論と補間関係情報を用いた細胞応答の予測
- Authors: Yulun Wu, Robert A. Barton, Zichen Wang, Vassilis N. Ioannidis, Carlo
De Donno, Layne C. Price, Luis F. Voloch, George Karypis
- Abstract要約: そこで本稿では,非現実的摂動下での細胞の遺伝子発現を予測するために,ベイズ因果推論フレームワークを提案する。
我々は、遺伝子制御ネットワークの形で生物学的知識を表す情報を活用して、個別化された細胞応答予測を支援する。
- 参考スコア(独自算出の注目度): 13.106564921658089
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting the responses of a cell under perturbations may bring important
benefits to drug discovery and personalized therapeutics. In this work, we
propose a novel graph variational Bayesian causal inference framework to
predict a cell's gene expressions under counterfactual perturbations
(perturbations that this cell did not factually receive), leveraging
information representing biological knowledge in the form of gene regulatory
networks (GRNs) to aid individualized cellular response predictions. Aiming at
a data-adaptive GRN, we also developed an adjacency matrix updating technique
for graph convolutional networks and used it to refine GRNs during
pre-training, which generated more insights on gene relations and enhanced
model performance. Additionally, we propose a robust estimator within our
framework for the asymptotically efficient estimation of marginal perturbation
effect, which is yet to be carried out in previous works. With extensive
experiments, we exhibited the advantage of our approach over state-of-the-art
deep learning models for individual response prediction.
- Abstract(参考訳): 摂動下で細胞の反応を予測することは、薬物発見やパーソナライズされた治療に重要な利益をもたらす可能性がある。
本研究では,遺伝子制御ネットワーク(GRN)の形で生物学的知識を表す情報を活用し,個々の細胞応答予測を支援するため,非現実的摂動(この細胞が実際に受け取らなかった摂動)下での細胞遺伝子発現を予測するための新しいグラフ変異型ベイズ因果推論フレームワークを提案する。
データ適応型GRNを目標とし、グラフ畳み込みネットワークのアジャケーシ行列更新手法を開発し、事前学習中にGRNを洗練するために使用し、遺伝子関係やモデル性能の向上についてより深い知見を得た。
さらに, 先行研究ではまだ実施されていない限界摂動効果の漸近的に効率的な推定のために, 枠組み内のロバスト推定器を提案する。
広範な実験により,個々の応答予測に対する最先端のディープラーニングモデルよりも,このアプローチの利点を示した。
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) - GPO-VAE: Modeling Explainable Gene Perturbation Responses utilizing GRN-Aligned Parameter Optimization [15.892401495784078]
本稿では,GRNによる遺伝子制御ネットワークによって強化された,説明可能な変分オートエンコーダ(VAE)であるGPO-VAEを提案する。
我々の主要なアプローチは、GRN対応の説明可能性に対する潜伏摂動効果に関連する学習可能なパラメータを最適化することである。
論文 参考訳(メタデータ) (2025-01-31T09:08:52Z) - Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。
本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
論文 参考訳(メタデータ) (2024-11-21T10:37:57Z) - A Non-negative VAE:the Generalized Gamma Belief Network [49.970917207211556]
ガンマ信念ネットワーク(GBN)は、テキストデータ中の多層解釈可能な潜在表現を明らかにする可能性を実証している。
本稿では、一般化ガンマ信念ネットワーク(Generalized GBN)を導入し、元の線形生成モデルをより表現力のある非線形生成モデルに拡張する。
また、潜伏変数の後方分布を近似する上向きのワイブル推論ネットワークを提案する。
論文 参考訳(メタデータ) (2024-08-06T18:18:37Z) - Transfer Learning for T-Cell Response Prediction [0.1874930567916036]
特定のペプチドに対するT細胞応答の予測について検討した。
膨らませた予測性能の危険性は,単に理論的なものではなく,実際に発生することを示す。
論文 参考訳(メタデータ) (2024-03-18T17:32:19Z) - Towards generalization of drug response prediction to single cells and patients utilizing importance-aware multi-source domain transfer learning [6.810949980810495]
scAdaDrugは、適応型重要度認識表現学習を利用した、新しいマルチソースドメイン適応モデルである。
本モデルは,複数の独立データセット上での薬物応答の予測において,最先端の性能を達成した。
論文 参考訳(メタデータ) (2024-03-08T12:31:03Z) - Inference of dynamical gene regulatory networks from single-cell data
with physics informed neural networks [0.0]
本稿では,物理インフォームドニューラルネットワーク(PINN)を用いて,予測的,動的 GRN のパラメータを推定する方法について述べる。
具体的には, 分岐挙動を示すGRNについて検討し, 細胞分化をモデル化する。
論文 参考訳(メタデータ) (2024-01-14T21:43:10Z) - Single-Cell Deep Clustering Method Assisted by Exogenous Gene
Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。
クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。
本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文 参考訳(メタデータ) (2023-11-28T09:14:55Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-17T10:59:57Z) - Granger causal inference on DAGs identifies genomic loci regulating
transcription [77.58911272503771]
GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。
我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
論文 参考訳(メタデータ) (2022-10-18T21:15:10Z)
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。