論文の概要: Cross-domain feature disentanglement for interpretable modeling of tumor
microenvironment impact on drug response
- arxiv url: http://arxiv.org/abs/2311.09264v1
- Date: Wed, 15 Nov 2023 07:50:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-17 18:21:18.398811
- Title: Cross-domain feature disentanglement for interpretable modeling of tumor
microenvironment impact on drug response
- Title(参考訳): 腫瘍微小環境が薬物応答に及ぼす影響の解釈モデルとしてのクロスドメイン機能障害
- Authors: Jia Zhai and Hui Liu
- Abstract要約: がん細胞と腫瘍のTMEを分離するための領域適応ネットワークを提案する。
新規薬物の汎用性を確保するため,薬物の潜伏表現を学習するためにグラフアテンションネットワークを適用し,潜伏空間の細胞状態に対する薬物摂動を線形にモデル化した。
- 参考スコア(独自算出の注目度): 4.930226504666259
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-throughput screening technology has facilitated the generation of
large-scale drug responses across hundreds of cancer cell lines. However, there
exists significant discrepancy between in vitro cell lines and actual tumors in
vivo in terms of their response to drug treatments, because of tumors comprise
of complex cellular compositions and histopathology structure, known as tumor
microenvironment (TME), which greatly influences the drug cytotoxicity against
tumor cells. To date, no study has focused on modeling the impact of the TME on
clinical drug response. This paper proposed a domain adaptation network for
feature disentanglement to separate representations of cancer cells and TME of
a tumor in patients. Two denoising autoencoders were separately used to extract
features from cell lines (source domain) and tumors (target domain) for partial
domain alignment and feature decoupling. The specific encoder was enforced to
extract information only about TME. Moreover, to ensure generalizability to
novel drugs, we applied a graph attention network to learn the latent
representation of drugs, allowing us to linearly model the drug perturbation on
cellular state in latent space. We calibrated our model on a benchmark dataset
and demonstrated its superior performance in predicting clinical drug response
and dissecting the influence of the TME on drug efficacy.
- Abstract(参考訳): 高スループットスクリーニング技術は、数百のがん細胞株にまたがる大規模な薬物応答の生成を促進する。
しかし、複雑な細胞組成とTMEとして知られる病理組織構造から構成される腫瘍が、腫瘍細胞に対する薬物の細胞毒性に大きな影響を及ぼすため、in vitro細胞株とin vivoでの実際の腫瘍の間には大きな相違がある。
これまで、TMEが臨床薬効に与える影響をモデル化する研究は行われていない。
本稿では, 癌細胞と腫瘍のTMEを分離する領域適応ネットワークを提案する。
細胞株(ソースドメイン)と腫瘍(ターゲットドメイン)から部分的ドメインアライメントと特徴デカップリングのための特徴抽出に2つのデノナイジングオートエンコーダを別々に使用した。
特定のエンコーダはTMEに関する情報のみを抽出するために強制された。
さらに, 新規薬物の汎用性を確保するため, グラフアテンションネットワークを用いて薬剤の潜伏表現を学習し, 潜伏空間の細胞状態に対する薬物摂動を線形にモデル化した。
ベンチマークデータセットでモデルを校正し,臨床薬剤反応の予測とtmeの薬剤効能への影響の解剖において,その優れた性能を実証した。
関連論文リスト
- Variational and Explanatory Neural Networks for Encoding Cancer Profiles and Predicting Drug Responses [40.80133767939435]
既存のAIモデルは、転写学データのノイズと生物学的解釈性の欠如により、課題に直面している。
ノイズ効果を軽減するために変動成分を組み込んだ新しいニューラルネットワークフレームワークVETEを紹介する。
VETEは、AIによる予測と、がん研究における生物学的に意味のある洞察のギャップを埋める。
論文 参考訳(メタデータ) (2024-07-05T13:13:02Z) - Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。
本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。
我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
論文 参考訳(メタデータ) (2024-03-09T13:37:02Z) - Cross-modality Guidance-aided Multi-modal Learning with Dual Attention
for MRI Brain Tumor Grading [47.50733518140625]
脳腫瘍は世界で最も致命的ながんの1つであり、子供や高齢者に非常に多い。
本稿では,MRI脳腫瘍グレーディングの課題に対処するために,新たな多モード学習法を提案する。
論文 参考訳(メタデータ) (2024-01-17T07:54:49Z) - LLM-driven Multimodal Target Volume Contouring in Radiation Oncology [46.23891509553877]
大規模言語モデル(LLM)は、テキスト情報と画像の統合を容易にする。
LLM駆動型マルチモーダルAI,すなわちLLMSegを提案する。
提案モデルでは,従来のユニモーダルAIモデルと比較して,性能が著しく向上していることが実証された。
論文 参考訳(メタデータ) (2023-11-03T13:38:42Z) - Generating counterfactual explanations of tumor spatial proteomes to
discover effective strategies for enhancing immune infiltration [44.99833362998488]
腫瘍微小環境(TME)は免疫組成により癌予後に大きな影響を及ぼす。
本稿では,T細胞浸潤予測を自己教師型機械学習問題として定式化する。
悪性黒色腫,大腸癌肝転移,乳癌データに枠組みを応用し,T細胞浸潤が予測される摂動を発見した。
論文 参考訳(メタデータ) (2022-11-08T05:46:02Z) - TCR: A Transformer Based Deep Network for Predicting Cancer Drugs
Response [12.86640026993276]
抗がん剤反応を予測するために,トランスフォーマーを用いたがん薬物応答(TCR)ネットワークを提案する。
注意機構を利用することで、TCRは薬物原子/サブ構造と分子シグネチャの相互作用を効率的に学習することができる。
本研究は,TCRの予測能力と癌薬物の再利用と腫瘍学の精度向上に寄与する可能性を明らかにするものである。
論文 参考訳(メタデータ) (2022-07-10T13:01:54Z) - Imaging-based histological features are predictive of MET alterations in
Non-Small Cell Lung Cancer [1.2885809002769635]
METはプロトオンコジーンであり、非小細胞肺癌の活性化は細胞増殖と腫瘍の進行を促進する。
細胞形態学的特徴とMET増幅およびMETエキソン14欠失との関連について検討した。
予測モデルはMETのワイルドタイプをMET増幅またはMETエキソン14の削除と区別することができる。
論文 参考訳(メタデータ) (2022-03-18T17:11:05Z) - Novel Local Radiomic Bayesian Classifiers for Non-Invasive Prediction of
MGMT Methylation Status in Glioblastoma [0.0]
グリオーマ腫瘍組織におけるO6-メチルグアニン-DNA-メチルトランスフェラーゼ(MGMT)遺伝子の発現は臨床的に重要である。
現在、MGMTメチル化は、侵襲的な脳生検およびその後に抽出された腫瘍組織の遺伝子解析によって決定されている。
FLAIR系列磁気共鳴画像(MRI)から抽出した放射能特性に基づいてMGMTメチル化状態の確率論的予測を行う新しいベイズ分類器を提案する。
論文 参考訳(メタデータ) (2021-11-30T04:53:23Z) - Radiomic Deformation and Textural Heterogeneity (R-DepTH) Descriptor to
characterize Tumor Field Effect: Application to Survival Prediction in
Glioblastoma [2.1916334019121537]
腫瘍野効果の概念は、がんが可視性腫瘍を超える影響を持つ全身疾患であることを意味する。
r-DepTH (r-DepTH) を用いたMRI ベースの記述器, 放射能とテクスチュラルな異質性について述べる。
この記述子は、質量効果による周囲の正常発作全体の組織変形の微妙な摂動の測定を含む。
論文 参考訳(メタデータ) (2021-03-12T17:38:54Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳(メタデータ) (2020-02-03T22:25:01Z)
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。