論文の概要: Towards Early Prediction of Human iPSC Reprogramming Success
- arxiv url: http://arxiv.org/abs/2305.14575v1
- Date: Tue, 23 May 2023 23:26:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-25 21:17:32.114086
- Title: Towards Early Prediction of Human iPSC Reprogramming Success
- Title（参考訳）: ヒトiPSC再プログラム成功の早期予測に向けて
- Authors: Abhineet Singh, Ila Jasra, Omar Mouhammed, Nidheesh Dadheech, Nilanjan
Ray, James Shapiro
- Abstract要約: 本報告では, 再生細胞療法の根源として, ヒト誘導多能性幹細胞(iPSCs)の再プログラミングが成功するための早期自動予測の進歩について述べる。
iPSC再プログラミングの極小成功率は0.01%ドルから0.1%ドルであり、安定なiPSCラインを生成するのに労働集約的、時間消費的、極端に高価である。
熟成の初期段階において、どの細胞が最適なiPSCラインとして成立するかを確実に予測できる能力は、パーソナライズド医療に対する実用的で費用対効果の高いアプローチとして、画期的なものである。
- 参考スコア（独自算出の注目度）: 5.627346969563955
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents advancements in automated early-stage prediction of the
success of reprogramming human induced pluripotent stem cells (iPSCs) as a
potential source for regenerative cell therapies.The minuscule success rate of
iPSC-reprogramming of around $ 0.01% $ to $ 0.1% $ makes it labor-intensive,
time-consuming, and exorbitantly expensive to generate a stable iPSC line.
Since that requires culturing of millions of cells and intense biological
scrutiny of multiple clones to identify a single optimal clone. The ability to
reliably predict which cells are likely to establish as an optimal iPSC line at
an early stage of pluripotency would therefore be ground-breaking in rendering
this a practical and cost-effective approach to personalized medicine. Temporal
information about changes in cellular appearance over time is crucial for
predicting its future growth outcomes. In order to generate this data, we first
performed continuous time-lapse imaging of iPSCs in culture using an ultra-high
resolution microscope. We then annotated the locations and identities of cells
in late-stage images where reliable manual identification is possible. Next, we
propagated these labels backwards in time using a semi-automated tracking
system to obtain labels for early stages of growth. Finally, we used this data
to train deep neural networks to perform automatic cell segmentation and
classification. Our code and data are available at
https://github.com/abhineet123/ipsc_prediction.
- Abstract（参考訳）: 本報告では,iPSCを再生細胞療法の候補として,ヒト誘導多能性幹細胞(iPSCs)のプログラム成功の早期自動予測の進歩について述べる。
そのため、数百万の細胞を培養し、単一の最適なクローンを特定するために複数のクローンの強力な生物学的精査が必要である。
熟成の初期段階において、どの細胞が最適なiPSCラインとして成立するかを確実に予測できる能力は、パーソナライズドメディカルへの実用的で費用対効果の高いアプローチである。
細胞増殖の経時変化に関する時間的情報はその将来の成長予測に不可欠である。
このデータを生成するために,我々はまず,超高分解能顕微鏡を用いて培養中のiPSCの連続時間ラプス撮影を行った。
そこで我々は、信頼できる手動識別が可能な後期画像に、細胞の位置とアイデンティティを注釈付けした。
次に, 半自動追跡システムを用いてラベルを後方に伝播させ, 成長初期のラベルを得る。
最後に、このデータを用いてディープニューラルネットワークをトレーニングし、セルのセグメンテーションと分類を自動実行する。
私たちのコードとデータはhttps://github.com/abhineet123/ipsc_predictionで入手できます。
関連論文リスト
- Cell as Point: One-Stage Framework for Efficient Cell Tracking [54.19259129722988]
本稿では,一段階の効率的なセルトラッキングを実現するために,新しいエンドツーエンドCAPフレームワークを提案する。
CAPは検出またはセグメンテーション段階を放棄し、細胞点の軌跡間の相関を利用して細胞を共同で追跡することでプロセスを単純化する。
Capは強力なセルトラッキング性能を示し、既存の方法の10倍から55倍の効率を示している。
論文 参考訳（メタデータ） (2024-11-22T10:16:35Z) - Prediction of Cellular Identities from Trajectory and Cell Fate
Information [0.40964539027092917]
本稿では,機械学習を用いた早期のtextitC. elegansgenesisにおける細胞識別の革新的アプローチを提案する。
ランダムな森林, 胚, LSTMモデルを用いて, 最初の4時間にわたる3次元タイムラプスデータセットの細胞分類精度を検証した。
本研究は, 簡単な時空間的特徴から, タイムラプス画像における細胞アイデンティティの予測に成功したことを示す。
論文 参考訳（メタデータ） (2024-01-11T03:28:13Z) - CyFormer: Accurate State-of-Health Prediction of Lithium-Ion Batteries
via Cyclic Attention [1.4542411354617986]
本稿では, 変圧器を用いた健康状態(SoH)予測のための周期時間列モデルを提案する。
本手法では,テストバッテリを微調整するための10%のデータのみを用いて,0.75%のMAEが得られる。
論文 参考訳（メタデータ） (2023-04-17T02:16:40Z) - Tree-Based Learning on Amperometric Time Series Data Demonstrates High
Accuracy for Classification [0.0]
計算科学におけるデータ駆動型アプローチを用いて,多様なアンペロメトリデータセットに対する分類法を提案する。
非常に高い予測精度(95%以上)を示す。
これは機械学習のスキームを提案し、特にフルアンペロメトリ時系列データに基づく教師あり学習を提案する最初の研究の1つである。
論文 参考訳（メタデータ） (2023-02-06T09:44:53Z) - Deep metric learning improves lab of origin prediction of genetically
engineered plasmids [63.05016513788047]
遺伝工学の属性(GEA)は、配列-ラブの関連を作る能力である。
本稿では,計量学習に基づいて,最も可能性の高い実験室をランク付けする手法を提案する。
我々は、特定の実験室のプラスミド配列のキーシグネチャを抽出することができ、モデル出力の解釈可能な検査を可能にする。
論文 参考訳（メタデータ） (2021-11-24T16:29:03Z) - Developmental Stage Classification of EmbryosUsing Two-Stream Neural
Network with Linear-Chain Conditional Random Field [74.53314729742966]
発達段階分類のための2ストリームモデルを提案する。
従来の手法とは異なり、2ストリームモデルでは時間情報と画像情報の両方を受け付けている。
2つのタイムラプス胚ビデオデータセット上で,本アルゴリズムを実証する。
論文 参考訳（メタデータ） (2021-07-13T19:56:01Z) - Towards self-organized control: Using neural cellular automata to
robustly control a cart-pole agent [62.997667081978825]
我々は、カートポールエージェントを制御するために、ニューラルセルオートマトンを使用する。
我々は、Q値の推定値として出力セルの状態を用いる深層学習を用いてモデルを訓練した。
論文 参考訳（メタデータ） (2021-06-29T10:49:42Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳（メタデータ） (2020-10-20T08:36:51Z)
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。