論文の概要: The CausalBench challenge: A machine learning contest for gene network inference from single-cell perturbation data
- arxiv url: http://arxiv.org/abs/2308.15395v2
- Date: Mon, 19 May 2025 15:57:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-21 14:49:50.858933
- Title: The CausalBench challenge: A machine learning contest for gene network inference from single-cell perturbation data
- Title（参考訳）: CausalBench Challenge: 単細胞摂動データを用いた遺伝子ネットワーク推論のための機械学習コンテスト
- Authors: Mathieu Chevalley, Jacob Sackett-Sanders, Yusuf Roohani, Pascal Notin, Artemy Bakulin, Dariusz Brzezinski, Kaiwen Deng, Yuanfang Guan, Justin Hong, Michael Ibrahim, Wojciech Kotlowski, Marcin Kowiel, Panagiotis Misiakos, Achille Nazaret, Markus Püschel, Chris Wendler, Arash Mehrjou, Patrick Schwab,
- Abstract要約: CausalBench Challengeは、最先端の手法を強化するために、機械学習コミュニティを刺激することを目的としている。
勝利したソリューションは、以前のベースラインよりもパフォーマンスが大幅に向上した。
- 参考スコア（独自算出の注目度）: 21.75955279373649
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In drug discovery, mapping interactions between genes within cellular systems is a crucial early step. Such maps are not only foundational for understanding the molecular mechanisms underlying disease biology but also pivotal for formulating hypotheses about potential targets for new medicines. Recognizing the need to elevate the construction of these gene-gene interaction networks, especially from large-scale, real-world datasets of perturbed single cells, the CausalBench Challenge was initiated. This challenge aimed to inspire the machine learning community to enhance state-of-the-art methods, emphasizing better utilization of expansive genetic perturbation data. Using the framework provided by the CausalBench benchmark, participants were tasked with refining the current methodologies or proposing new ones. This report provides an analysis and summary of the methods submitted during the challenge to give a partial image of the state of the art at the time of the challenge. Notably, the winning solutions significantly improved performance compared to previous baselines, establishing a new state of the art for this critical task in biology and medicine.
- Abstract（参考訳）: 薬物発見において、細胞系内の遺伝子間の相互作用のマッピングは重要な初期段階である。
このような地図は、疾患生物学の基礎となる分子機構を理解するための基礎となるだけでなく、新しい医薬品の潜在的な標的に関する仮説を定式化するための重要な要素でもある。
これらの遺伝子-遺伝子相互作用ネットワークの構築、特に摂動単細胞の大規模で現実的なデータセットから高める必要性を認識し、CausalBench Challengeが始まった。
この課題は、機械学習コミュニティが最先端の手法を強化するよう刺激し、拡大する遺伝的摂動データのより良い利用を強調することを目的としていた。
CausalBenchベンチマークが提供するフレームワークを使用して、参加者は現在の方法論の洗練や新しい手法の提案を任された。
本報告では,課題期間中に提出された手法の分析と要約を行い,課題時の最先端の部分像を提示する。
特に、勝利したソリューションは以前のベースラインに比べてパフォーマンスを著しく向上させ、生物学や医学におけるこの重要な課題に対する新たな最先端技術を確立した。
関連論文リスト
- Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。
主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。
実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
論文 参考訳（メタデータ） (2024-11-10T16:40:27Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - 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) - ProBio: A Protocol-guided Multimodal Dataset for Molecular Biology Lab [67.24684071577211]
研究結果を複製するという課題は、分子生物学の分野に重大な障害をもたらしている。
まず、この目的に向けた最初のステップとして、ProBioという名前の包括的なマルチモーダルデータセットをキュレートする。
次に、透明なソリューショントラッキングとマルチモーダルなアクション認識という2つの挑戦的なベンチマークを考案し、BioLab設定におけるアクティビティ理解に関連する特徴と難しさを強調した。
論文 参考訳（メタデータ） (2023-11-01T14:44:01Z) - Causal machine learning for single-cell genomics [94.28105176231739]
単細胞ゲノミクスへの機械学習技術の応用とその課題について論じる。
まず, 単一細胞生物学における現在の因果的アプローチの基盤となるモデルについて述べる。
次に、単一セルデータへの因果的アプローチの適用におけるオープンな問題を特定する。
論文 参考訳（メタデータ） (2023-10-23T13:35:24Z) - Genetic InfoMax: Exploring Mutual Information Maximization in
High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。
画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。
本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文 参考訳（メタデータ） (2023-09-26T03:59:21Z) - Predicting Biomedical Interactions with Probabilistic Model Selection
for Graph Neural Networks [5.156812030122437]
現在の生物学的ネットワークは、ノイズ、スパース、不完全であり、そのような相互作用の実験的同定には時間と費用がかかる。
ディープグラフニューラルネットワークは、グラフ構造データモデリングの有効性を示し、バイオメディカル相互作用予測において優れた性能を達成した。
提案手法により,グラフ畳み込みネットワークは,その深度を動的に適応し,対話数の増加に対応することができる。
論文 参考訳（メタデータ） (2022-11-22T20:44:28Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Representation Learning for Networks in Biology and Medicine:
Advancements, Challenges, and Opportunities [18.434430658837258]
我々は,ネットワークを用いたモデリング,分析,学習への表現学習技術の急速な拡大を目の当たりにした。
本論では,ネットワーク生物学と医学の長年の原則が,表現学習の概念的基盤を提供できるという見解を述べる。
位相的特徴を利用してネットワークをコンパクトなベクトル空間に埋め込むアルゴリズムアプローチのスペクトルを合成する。
論文 参考訳（メタデータ） (2021-04-11T00:20:00Z) - Interpretable multimodal fusion networks reveal mechanisms of brain
cognition [26.954460880062506]
我々は,自動診断と結果解釈を同時に行うことができる,解釈可能なマルチモーダル融合モデルgCAM-CCLを開発した。
脳画像遺伝学的研究におけるgCAM-CCLモデルの有効性を検証し,gCAM-CCLの分類と機構解析の両面において良好な性能を示した。
論文 参考訳（メタデータ） (2020-06-16T18:52:50Z)
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。