Fugu-MT 論文翻訳(概要): AIRIVA: A Deep Generative Model of Adaptive Immune Repertoires

論文の概要: AIRIVA: A Deep Generative Model of Adaptive Immune Repertoires

arxiv url: http://arxiv.org/abs/2304.13737v1
Date: Wed, 26 Apr 2023 14:40:35 GMT
ステータス: 処理完了
システム内更新日: 2023-04-28 15:41:09.711441
Title: AIRIVA: A Deep Generative Model of Adaptive Immune Repertoires
Title（参考訳）: AIRIVA : 適応免疫レパートリーの深部生成モデル
Authors: Melanie F. Pradier, Niranjani Prasad, Paidamoyo Chapfuwa, Sahra Ghalebikesabi, Max Ilse, Steven Woodhouse, Rebecca Elyanow, Javier Zazo, Javier Gonzalez, Julia Greissl, Edward Meeds
Abstract要約: 本稿では,TCRレパートリーの低次元,解釈可能,構成的表現を学習し,レパートリーの系統的効果を阻害する適応型免疫レパートリー不変変分オートエンコーダ(AIRIVA)を提案する。
参考スコア（独自算出の注目度）: 6.918664738267051
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Recent advances in immunomics have shown that T-cell receptor (TCR) signatures can accurately predict active or recent infection by leveraging the high specificity of TCR binding to disease antigens. However, the extreme diversity of the adaptive immune repertoire presents challenges in reliably identifying disease-specific TCRs. Population genetics and sequencing depth can also have strong systematic effects on repertoires, which requires careful consideration when developing diagnostic models. We present an Adaptive Immune Repertoire-Invariant Variational Autoencoder (AIRIVA), a generative model that learns a low-dimensional, interpretable, and compositional representation of TCR repertoires to disentangle such systematic effects in repertoires. We apply AIRIVA to two infectious disease case-studies: COVID-19 (natural infection and vaccination) and the Herpes Simplex Virus (HSV-1 and HSV-2), and empirically show that we can disentangle the individual disease signals. We further demonstrate AIRIVA's capability to: learn from unlabelled samples; generate in-silico TCR repertoires by intervening on the latent factors; and identify disease-associated TCRs validated using TCR annotations from external assay data.
Abstract（参考訳）: 近年の免疫学の進歩により、T細胞受容体(TCR)のシグネチャは、TCRの抗原への結合性が高いことを利用して、能動的または最近の感染を正確に予測できることが示されている。しかし、適応免疫レパートリーの極端な多様性は、疾患特異的TCRを確実に同定する上での課題である。集団遺伝学やシークエンシングの深さはレパートリーに強い系統的影響を与える可能性があり、診断モデルの開発には慎重に考慮する必要がある。本稿では,レパートリーの低次元,解釈可能,構成的表現を学習し,レパートリーにおけるそのような系統的効果を阻害する適応型免疫レパートリー不変変分オートエンコーダ(AIRIVA)を提案する。 HIV(自然感染・ワクチン接種)と単純ヘルペスウイルス(HSV-1およびHSV-2)の2つの感染症事例にAIRIVAを応用し,各疾患のシグナルを阻害できることを実証的に示す。さらに,AIRIVAの非ラベルサンプルから学習し,潜伏因子を介在させることで,シリカTCRレパートリーを生成し,外部アッセイデータからTCRアノテーションを用いて病気関連TCRを同定する能力を示す。

関連論文リスト

Estimating the Causal Effects of T Cell Receptors [20.01390828400336]
患者に対するT細胞受容体配列の因果的影響を推測する手法を提案する。我々のアプローチは、患者の環境や生活史など、保存されていない共同設立者に対して正当である。デモでは、TCRが新型コロナウイルスの重症度に与える影響を分析するために使用します。
論文参考訳（メタデータ） (2024-10-18T02:45:14Z)
TCR-GPT: Integrating Autoregressive Model and Reinforcement Learning for T-Cell Receptor Repertoires Generation [6.920411338236452]
T細胞受容体(TCR)は、感染またはがん細胞によって提示される特定の抗原を認識し、結合することによって免疫系において重要な役割を担っている。自動回帰変換器のような言語モデルは、TCRレパートリーの確率分布を学習することで強力な解を提供する。本稿では,デコーダのみのトランスアーキテクチャ上に構築された確率モデルTCR-GPTを紹介する。
論文参考訳（メタデータ） (2024-08-02T10:16:28Z)
A large language model for predicting T cell receptor-antigen binding specificity [4.120928123714289]
本稿では,モデル一般化の限界を克服するMasked Language Model (MLM)を提案する。具体的には、ランダムにシーケンスセグメントをマスキングし、tcrLMをトレーニングしてマスクセグメントを推論し、TCRシーケンスから表現的特徴を抽出する。実験の結果,tcrLM は独立テストセットと外部検証セットで 0.937 と 0.933 の AUC 値を達成できた。
論文参考訳（メタデータ） (2024-06-24T08:36:40Z)
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)
A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
アミノ酸の順序を保つことで,分類器の精度が向上することを示す。また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
論文参考訳（メタデータ） (2021-08-07T15:08:15Z)
DEEMD: Drug Efficacy Estimation against SARS-CoV-2 based on cell Morphology with Deep multiple instance learning [8.716655008588361]
sars-cov-2に対する臨床応用に有効な化合物の同定を促進する。 deemdは、複数のインスタンス学習フレームワークでディープニューラルネットワークモデルを使用する計算パイプラインである。 DEEMDはRemdesivirやAloxistatinなどのSARS-CoV-2阻害剤を同定し、我々のアプローチの有効性を裏付ける。
論文参考訳（メタデータ） (2021-05-10T20:38:34Z)
TITAN: T Cell Receptor Specificity Prediction with Bimodal Attention Networks [0.5371337604556311]
TCRシーケンスとepITopeの両方をエンコードするバイモーダルニューラルネットワークを提案し、見えないシーケンスと転送/またはに対する能力の独立した研究を可能にする。 tcr距離ニューラルネットワークは、未認識のtcrにおいて競合性能を示す。 tcr距離ニューラルネットワークは、未認識のtcrでも競合性能を示す。
論文参考訳（メタデータ） (2021-04-21T09:25:14Z)
Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
論文参考訳（メタデータ） (2021-04-07T16:23:35Z)
Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
論文参考訳（メタデータ） (2021-03-19T14:13:56Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
Viral Pneumonia Screening on Chest X-ray Images Using Confidence-Aware Anomaly Detection [86.81773672627406]
短期間のウイルス性肺炎の集団は、SARS、MERS、最近のCOVID-19のような流行やパンデミックのハービンガーである可能性がある。胸部X線によるウイルス性肺炎の迅速かつ正確な検出は,大規模スクリーニングや流行予防に有用である。ウイルス性肺炎はしばしば多彩な原因を持ち、X線画像に顕著な視覚的外観を示す。
論文参考訳（メタデータ） (2020-03-27T11:32:18Z)

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。