論文の概要: Modelling Cellular Perturbations with the Sparse Additive Mechanism
Shift Variational Autoencoder
- arxiv url: http://arxiv.org/abs/2311.02794v2
- Date: Tue, 16 Jan 2024 01:18:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 21:35:25.212587
- Title: Modelling Cellular Perturbations with the Sparse Additive Mechanism
Shift Variational Autoencoder
- Title(参考訳): スパース付加機構シフト可変オートエンコーダによる細胞摂動のモデル化
- Authors: Michael Bereket, Theofanis Karaletsos
- Abstract要約: 摂動モデルに対する合成性, 絡み合い, 解釈性を組み合わせたスパース加算機構シフト変分自動符号化器SAMS-VAEを提案する。
SAMS-VAEは、潜伏サンプルの潜伏状態を、潜伏介入効果のサンプル特異な変動と疎大なグローバル変数を捉えた局所潜伏変数の和としてモデル化する。
2つの一般的な単一セルシークエンシングデータセットを用いて,SAMS-VAEを定性的に評価した。
- 参考スコア(独自算出の注目度): 6.352775857356592
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative models of observations under interventions have been a vibrant
topic of interest across machine learning and the sciences in recent years. For
example, in drug discovery, there is a need to model the effects of diverse
interventions on cells in order to characterize unknown biological mechanisms
of action. We propose the Sparse Additive Mechanism Shift Variational
Autoencoder, SAMS-VAE, to combine compositionality, disentanglement, and
interpretability for perturbation models. SAMS-VAE models the latent state of a
perturbed sample as the sum of a local latent variable capturing
sample-specific variation and sparse global variables of latent intervention
effects. Crucially, SAMS-VAE sparsifies these global latent variables for
individual perturbations to identify disentangled, perturbation-specific latent
subspaces that are flexibly composable. We evaluate SAMS-VAE both
quantitatively and qualitatively on a range of tasks using two popular single
cell sequencing datasets. In order to measure perturbation-specific
model-properties, we also introduce a framework for evaluation of perturbation
models based on average treatment effects with links to posterior predictive
checks. SAMS-VAE outperforms comparable models in terms of generalization
across in-distribution and out-of-distribution tasks, including a combinatorial
reasoning task under resource paucity, and yields interpretable latent
structures which correlate strongly to known biological mechanisms. Our results
suggest SAMS-VAE is an interesting addition to the modeling toolkit for machine
learning-driven scientific discovery.
- Abstract(参考訳): 介入による観察の生成モデルは、近年、機械学習と科学の間で活発な関心事となっている。
例えば、薬物発見では、未知の生物学的作用のメカニズムを特徴付けるために、細胞に対する多様な介入の効果をモデル化する必要がある。
摂動モデルに対する合成性, 絡み合い, 解釈性を組み合わせたスパース加算機構シフト変分自動符号化器SAMS-VAEを提案する。
sams-vaeは、摂動したサンプルの潜在状態を、サンプル固有の変動をキャプチャする局所潜在変数と、潜在介入効果のスパースグローバル変数の和としてモデル化する。
重要なことに、SAMS-VAEは個々の摂動に対してこれらのグローバル潜伏変数を分散させ、柔軟に構成可能な摂動特異的潜伏部分空間を識別する。
2つの一般的な単一セルシークエンシングデータセットを用いて,SAMS-VAEを定量的および定性的に評価した。
また,摂動特異的モデルプロペラティを測定するために,後発予測チェックと関連づけた平均治療効果に基づく摂動モデル評価の枠組みを提案する。
SAMS-VAEは、資源疎結合性の下での組合せ推論タスクを含む、分布内および分布外タスクの一般化という観点で比較モデルより優れ、既知の生物学的機構と強く相関する解釈可能な潜在構造が得られる。
この結果から,SAMS-VAEは機械学習による科学的発見のためのモデリングツールキットとして興味深いものとなった。
関連論文リスト
- Variational Inference of Parameters in Opinion Dynamics Models [9.51311391391997]
この研究は、変数推論を用いて、意見力学 ABM のパラメータを推定する。
我々は推論プロセスを自動微分に適した最適化問題に変換する。
提案手法は, シミュレーションベース法とMCMC法より, マクロ的(有界信頼区間とバックファイア閾値)と微視的(200ドル, エージェントレベルの役割)の両方を正確に推定する。
論文 参考訳(メタデータ) (2024-03-08T14:45:18Z) - 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) - Synthetic location trajectory generation using categorical diffusion
models [50.809683239937584]
拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。
本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
論文 参考訳(メタデータ) (2024-02-19T15:57:39Z) - Rethinking Mitosis Detection: Towards Diverse Data and Feature
Representation [30.882319057927052]
ミトコンドリア検出のための新しい一般化可能なフレームワーク(MitDet)を提案する。
提案手法は,いくつかの一般的なミトーシス検出データセットにおいて,SOTAのアプローチよりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-07-12T03:33:11Z) - Learning Causal Representations of Single Cells via Sparse Mechanism
Shift Modeling [3.2435888122704037]
本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。
これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
論文 参考訳(メタデータ) (2022-11-07T15:47:40Z) - Differentiable Agent-based Epidemiology [71.81552021144589]
GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。
GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
論文 参考訳(メタデータ) (2022-07-20T07:32:02Z) - Continuous Forecasting via Neural Eigen Decomposition of Stochastic
Dynamics [47.82509795873254]
本稿では,スパース観測と適応力学を用いた逐次予測のためのニューラル固有SDEアルゴリズムを提案する。
NESDEは、スパース観測による効率的な頻繁な予測を可能にするために、力学モデルに固有分解を適用する。
我々は,MIMIC-IVデータセットにおけるヘパリン投与後の血液凝固の患者適応予測を初めて行った。
論文 参考訳(メタデータ) (2022-01-31T22:16:50Z) - Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease
Progression [71.7560927415706]
潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。
新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
論文 参考訳(メタデータ) (2021-06-05T11:42:45Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳(メタデータ) (2021-01-13T03:20:20Z) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳(メタデータ) (2020-10-12T03:27:07Z)
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。