論文の概要: Tertiary Lymphoid Structures Generation through Graph-based Diffusion

• arxiv url: http://arxiv.org/abs/2310.06661v1
• Date: Tue, 10 Oct 2023 14:37:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-11 15:06:29.131575
• Title: Tertiary Lymphoid Structures Generation through Graph-based Diffusion
• Title（参考訳）: グラフベース拡散による第三次リンパ構造の生成
• Authors: Manuel Madeira, Dorina Thanou, Pascal Frossard
• Abstract要約: 本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
• 参考スコア（独自算出の注目度）: 54.37503714313661
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-based representation approaches have been proven to be successful in the analysis of biomedical data, due to their capability of capturing intricate dependencies between biological entities, such as the spatial organization of different cell types in a tumor tissue. However, to further enhance our understanding of the underlying governing biological mechanisms, it is important to accurately capture the actual distributions of such complex data. Graph-based deep generative models are specifically tailored to accomplish that. In this work, we leverage state-of-the-art graph-based diffusion models to generate biologically meaningful cell-graphs. In particular, we show that the adopted graph diffusion model is able to accurately learn the distribution of cells in terms of their tertiary lymphoid structures (TLS) content, a well-established biomarker for evaluating the cancer progression in oncology research. Additionally, we further illustrate the utility of the learned generative models for data augmentation in a TLS classification task. To the best of our knowledge, this is the first work that leverages the power of graph diffusion models in generating meaningful biological cell structures.
• Abstract（参考訳）: グラフに基づく表現アプローチは、腫瘍組織内の異なる細胞タイプの空間構造のような生物学的実体間の複雑な依存関係を捉える能力から、生体医学データの解析に成功していることが証明されている。 しかし, 基礎となる生物機構の理解を深めるためには, 複雑なデータの実際の分布を正確に把握することが重要である。 グラフベースの深層生成モデルは、それを達成するのに特に適している。 本研究では,最先端のグラフベース拡散モデルを用いて生物学的に有意義な細胞グラフを生成する。 特に, 腫瘍学研究におけるがん進展を評価するバイオマーカーとして確立された第3次リンパ構造(tls)含量を用いて, 細胞分布を正確に学習できることを示す。 さらに,tls分類タスクにおけるデータ拡張のための学習生成モデルの有用性についても述べる。 我々の知る限りでは、これは有意義な生物学的細胞構造を生成するためにグラフ拡散モデルの力を利用する最初の研究である。

関連論文リスト

• Efficient and Robust Continual Graph Learning for Graph Classification in Biology [4.1259781599165635]
  本稿では,グラフデータ分類のための頑健で効率的な連続グラフ学習フレームワークであるPerturbed and Sparsified Continual Graph Learning (PSCGL)を提案する。 PSCGLはタスク間の知識を保持するだけでなく、生物学におけるグラフ分類モデルの効率性と堅牢性を高める。
  論文  参考訳（メタデータ） (2024-11-18T15:47:37Z)
• An Organism Starts with a Single Pix-Cell: A Neural Cellular Diffusion for High-Resolution Image Synthesis [8.01395073111961]
  我々は、GeCA(Generative Cellular Automata)と呼ばれる新しいモデルのファミリーを紹介する。 GeCAは2つの画像モダリティ(Fundus and Optical Coherence Tomography, OCT)にまたがる網膜疾患分類の効果的な拡張ツールとして評価される データが不足し,クラス分布が本質的に歪んでいるOCT画像の文脈では,GeCAは11種類の眼科領域の性能を著しく向上させる。
  論文  参考訳（メタデータ） (2024-07-03T11:26:09Z)
• Pathology-genomic fusion via biologically informed cross-modality graph learning for survival analysis [7.996257103473235]
  そこで我々は,全スライド画像(WSI)とバルクRNA-Seq発現データと異種グラフニューラルネットワークを統合したPGHG(Pathology-Genome Heterogeneous Graph)を提案する。 PGHGは生物学的知識誘導表現学習ネットワークと病理ゲノム不均一グラフから構成される。 腫瘍ゲノムアトラスの低悪性度グリオーマ,グリオーマ,腎乳頭状細胞癌データセットについて検討した。
  論文  参考訳（メタデータ） (2024-04-11T09:07:40Z)
• Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
  哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。 生体受容の分野からインスピレーションを得る手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:06:22Z)
• Graph Relation Distillation for Efficient Biomedical Instance Segmentation [80.51124447333493]
  本稿では,効率的なバイオメディカル・インスタンス・セグメンテーションのためのグラフ関係蒸留手法を提案する。 画像内レベルと画像間レベルの両方に展開する2つのグラフ蒸留方式を導入する。 多くのバイオメディカルデータセットの実験結果から,本手法の有効性が検証された。
  論文  参考訳（メタデータ） (2024-01-12T04:41:23Z)
• 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)
• Studying Limits of Explainability by Integrated Gradients for Gene Expression Models [3.220287168504093]
  重要度によるランク付け機能は,バイオマーカーの同定に十分ではないことを示す。 バイオマーカーが真理を知らないままに関係する原因を反映しているかどうかを評価することは難しいため、階層的モデルを提案することで遺伝子発現データをシミュレートする。
  論文  参考訳（メタデータ） (2023-03-19T19:54:15Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Implications of Topological Imbalance for Representation Learning on Biomedical Knowledge Graphs [16.566710222582618]
  知識グラフ埋め込みモデルが構造的不均衡によってどのように影響を受けるかを示す。 グラフトポロジを摂動させて、ランダムで生物学的に無意味な情報によって遺伝子ランクを人工的に変化させる方法を示す。
  論文  参考訳（メタデータ） (2021-12-13T11:20:36Z)
• Uncovering the Folding Landscape of RNA Secondary Structure with Deep Graph Embeddings [71.20283285671461]
  このようなグラフ埋め込みを学習するための幾何散乱オートエンコーダ(GSAE)ネットワークを提案する。 我々の埋め込みネットワークは、最近提案された幾何散乱変換を用いて、まずリッチグラフ特徴を抽出する。 GSAEは、構造とエネルギーの両方でRNAグラフを整理し、ビスタブルRNA構造を正確に反映していることを示す。
  論文  参考訳（メタデータ） (2020-06-12T00:17:59Z)

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。