論文の概要: Spatio-Temporal Analysis of Patient-Derived Organoid Videos Using Deep
Learning for the Prediction of Drug Efficacy
- arxiv url: http://arxiv.org/abs/2308.14461v1
- Date: Mon, 28 Aug 2023 09:58:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 14:32:57.253849
- Title: Spatio-Temporal Analysis of Patient-Derived Organoid Videos Using Deep
Learning for the Prediction of Drug Efficacy
- Title（参考訳）: 深層学習による患者由来オルガノイドビデオの時空間分析による薬物効用予測
- Authors: Leo Fillioux, Emilie Gontran, J\'er\^ome Cartry, Jacques RR Mathieu,
Sabrina Bedja, Alice Boil\`eve, Paul-Henry Courn\`ede, Fanny Jaulin, Stergios
Christodoulidis, Maria Vakalopoulou
- Abstract要約: PDOのタイムラプス顕微鏡ビデオからリアルタイム薬物効果を評価するための新しいスクリーニング手法を提案する。
本研究では, ATPの予測において, データの時間的変動が重要な要因であることを示す。
- 参考スコア（独自算出の注目度）: 1.3606622227036818
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Over the last ten years, Patient-Derived Organoids (PDOs) emerged as the most
reliable technology to generate ex-vivo tumor avatars. PDOs retain the main
characteristics of their original tumor, making them a system of choice for
pre-clinical and clinical studies. In particular, PDOs are attracting interest
in the field of Functional Precision Medicine (FPM), which is based upon an
ex-vivo drug test in which living tumor cells (such as PDOs) from a specific
patient are exposed to a panel of anti-cancer drugs. Currently, the Adenosine
Triphosphate (ATP) based cell viability assay is the gold standard test to
assess the sensitivity of PDOs to drugs. The readout is measured at the end of
the assay from a global PDO population and therefore does not capture single
PDO responses and does not provide time resolution of drug effect. To this end,
in this study, we explore for the first time the use of powerful large
foundation models for the automatic processing of PDO data. In particular, we
propose a novel imaging-based high-throughput screening method to assess
real-time drug efficacy from a time-lapse microscopy video of PDOs. The
recently proposed SAM algorithm for segmentation and DINOv2 model are adapted
in a comprehensive pipeline for processing PDO microscopy frames. Moreover, an
attention mechanism is proposed for fusing temporal and spatial features in a
multiple instance learning setting to predict ATP. We report better results
than other non-time-resolved methods, indicating that the temporality of data
is an important factor for the prediction of ATP. Extensive ablations shed
light on optimizing the experimental setting and automating the prediction both
in real-time and for forecasting.
- Abstract（参考訳）: 過去10年間で、患者由来のオルガノイド(pdos)が、生き生きとした腫瘍アバターを生成する最も信頼できる技術として出現した。
PDOは元の腫瘍の主な特徴を保ち、前臨床および臨床研究のためのシステムとして選択される。
特にpdosは、特定の患者からの生きた腫瘍細胞(例えばpdos)が抗がん剤のパネルに曝露される、前生存中の薬物試験に基づく機能的精密医学(fpm)の分野に関心を寄せている。
現在、アデノシン三リン酸(ATP)ベースの細胞生存測定は、薬物に対するPDOの感受性を評価するための金標準試験である。
読み出しは、全世界のPDO集団からのアッセイの最後に測定され、従って単一のPDO応答を捉えず、薬物効果の時間分解を提供しない。
そこで本研究では,pdoデータの自動処理に強力な大規模基礎モデルを用いることを初めて検討する。
特に,pdosのタイムラプス顕微鏡映像からリアルタイム薬物有効性を評価するための画像ベースの高スループットスクリーニング手法を提案する。
最近提案されたセグメンテーションとDINOv2モデルのためのSAMアルゴリズムは、PDO顕微鏡フレームを処理するための包括的なパイプラインに適応している。
さらに,複数インスタンス学習環境で時間的特徴と空間的特徴を融合してatpを予測するための注意機構を提案する。
他の非時間分解法よりも良好な結果を報告し,データの時間性がatpの予測に重要な要因であることを示した。
大規模な改善は、実験的な設定を最適化し、リアルタイムと予測の両方で予測を自動化することに光を当てた。
関連論文リスト
- On the effectiveness of smartphone IMU sensors and Deep Learning in the detection of cardiorespiratory conditions [0.21987601456703473]
本研究は, 心肺疾患の早期スクリーニングのための, 取得プロトコルに基づく革新的な手法を提案する。
5つの異なる身体領域の加速度計とジャイロスコープで得られた呼吸動態を記録したデータセットを臨床的に収集した。
本研究では,早期心肺疾患スクリーニングのためのエンド・ツー・エンドのディープラーニングパイプラインを提案する。
論文 参考訳（メタデータ） (2024-08-27T18:29:47Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - Regressor-free Molecule Generation to Support Drug Response Prediction [83.25894107956735]
目標IC50スコアに基づく条件生成により、より効率的なサンプリングスペースを得ることができる。
回帰自由誘導は、拡散モデルのスコア推定と、数値ラベルに基づく回帰制御モデルの勾配を結合する。
論文 参考訳（メタデータ） (2024-05-23T13:22:17Z) - Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
AIによる薬物発見の大きな課題は、高品質なデータの不足である。
薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。
実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
論文 参考訳（メタデータ） (2024-04-16T07:42:55Z) - Enhancing Acute Kidney Injury Prediction through Integration of Drug
Features in Intensive Care Units [0.0]
急性腎障害(AKI)予測と腎障害薬との関連は, 治療現場ではまだ検討されていない。
そこで本研究では,患者処方データをモダリティとして活用し,既存のAKI予測モデルを改善する手法を提案する。
論文 参考訳（メタデータ） (2024-01-09T05:42:32Z) - A Transformer-based Prediction Method for Depth of Anesthesia During
Target-controlled Infusion of Propofol and Remifentanil [2.960339091215942]
本稿では,プロポフォールとレミフェンタニルの薬物注入による麻酔深度予測法を提案する。
実験の結果,提案手法は従来のPK-PDモデルや従来のディープラーニング手法よりも優れていた。
論文 参考訳（メタデータ） (2023-08-02T13:49:44Z) - Synthetic Health-related Longitudinal Data with Mixed-type Variables
Generated using Diffusion Models [2.140861702387444]
本稿では拡散確率モデル(DPM)を用いた電子健康記録のシミュレーション手法を提案する。
数値変数,二項変数,カテゴリー変数を含む混合型変数を捕捉する縦型EHRの合成におけるDPMの有効性を示す。
論文 参考訳（メタデータ） (2023-03-22T03:15:33Z) - DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for
AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise
Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。
DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。
我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文 参考訳（メタデータ） (2022-01-24T12:32:48Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - BridgeDPI: A Novel Graph Neural Network for Predicting Drug-Protein
Interactions [18.242888464394575]
本稿では,新しいディープラーニングフレームワークであるBridgeDPIを提案する。
ハイパーノードと呼ばれるノードのクラスを導入し、PPAやDDAとして機能するさまざまなタンパク質/薬物を橋渡しします。
3つの実世界のデータセットにおいて、BridgeDPIが最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-01-29T12:53:39Z) - 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)
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。