論文の概要: Interpretable Modeling of Single-cell perturbation Responses to Novel Drugs Using Cycle Consistence Learning

• arxiv url: http://arxiv.org/abs/2311.10315v1
• Date: Fri, 17 Nov 2023 03:58:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-22 15:03:46.200158
• Title: Interpretable Modeling of Single-cell perturbation Responses to Novel Drugs Using Cycle Consistence Learning
• Title（参考訳）: cycle consistence learning を用いた新規薬物に対する単細胞摂動反応の解釈可能なモデリング
• Authors: Wei Huang, Aichun Zhu, Hui Liu
• Abstract要約: フェノタイプによるスクリーニングは、細胞活性化合物の同定に多くの注目を集めている。 本稿では,初期セル状態を潜在空間にマッピングするディープラーニングフレームワークを提案する。 3種類のデータセットでモデルを検証しました。
• 参考スコア（独自算出の注目度）: 11.565323524917693
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Phenotype-based screening has attracted much attention for identifying cell-active compounds. Transcriptional and proteomic profiles of cell population or single cells are informative phenotypic measures of cellular responses to perturbations. In this paper, we proposed a deep learning framework based on encoder-decoder architecture that maps the initial cellular states to a latent space, in which we assume the effects of drug perturbation on cellular states follow linear additivity. Next, we introduced the cycle consistency constraints to enforce that initial cellular state subjected to drug perturbations would produce the perturbed cellular responses, and, conversely, removal of drug perturbation from the perturbed cellular states would restore the initial cellular states. The cycle consistency constraints and linear modeling in latent space enable to learn interpretable and transferable drug perturbation representations, so that our model can predict cellular response to unseen drugs. We validated our model on three different types of datasets, including bulk transcriptional responses, bulk proteomic responses, and single-cell transcriptional responses to drug perturbations. The experimental results show that our model achieves better performance than existing state-of-the-art methods.
• Abstract（参考訳）: フェノタイプによるスクリーニングは細胞活性化合物の同定に多くの注目を集めている。 細胞集団または単一細胞の転写およびプロテオミクスプロファイルは、摂動に対する細胞応答の情報的表現型尺度である。 本稿では,初期セル状態を潜在空間にマッピングするエンコーダ・デコーダアーキテクチャに基づく深層学習フレームワークを提案する。 次に, 薬物摂動を受ける初期細胞状態が摂動細胞応答を生じさせ, 逆に摂動細胞状態からの薬物摂動の除去が初期細胞状態を回復させるように, サイクル一貫性制約を導入した。 潜在空間におけるサイクル一貫性の制約と線形モデリングは、解釈可能かつ伝達可能な薬物摂動表現を学習し、このモデルが未発見の薬物に対する細胞応答を予測できるようにする。 薬物摂動に対するバルク転写応答,バルクプロテオミクス応答,単一細胞転写応答を含む3種類のデータセットを用いて本モデルを検証した。 実験の結果,既存の最先端手法よりも優れた性能が得られた。

関連論文リスト

• CellFlow: Simulating Cellular Morphology Changes via Flow Matching [44.8979602893102]
  本稿では,化学および遺伝的摂動によって誘導される細胞形態変化をシミュレートする画像生成モデルであるCellFlowを紹介する。 CellFlowは、摂動特異的な形態変化を忠実に捉える生物学的に意味のある細胞画像を生成する。
  論文  参考訳（メタデータ） (2025-02-13T21:10:00Z)
• Learning Cross-Domain Representations for Transferable Drug Perturbations on Single-Cell Transcriptional Responses [3.5863110323469]
  フェノタイプドラッグの発見は、生物活性分子を同定する可能性から、広く注目を集めている。 本稿では,特徴分離と伝達可能な表現学習のための新しい生成フレームワークであるXTransferCDRを提案する。 実験結果から,XTransferCDRは現在の最先端手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-12-26T14:09:16Z)
• Efficient Fine-Tuning of Single-Cell Foundation Models Enables Zero-Shot Molecular Perturbation Prediction [0.6501158610800594]
  本研究では,数千万の単細胞上で事前学習した単一細胞基盤モデル(FM)を利用する。 本稿では,基礎モデルの1%未満のトレーニングにより,効率的な微調整を可能にする薬物調和アダプタを提案する。
  論文  参考訳（メタデータ） (2024-12-18T03:42:20Z)
• Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
  多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。 本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T10:37:57Z)
• Contrastive learning of cell state dynamics in response to perturbations [0.5665024011188763]
  DynaCLRは、タイムラプスデータセットの表現を対照的に学習することで、セルダイナミクスをモデル化するためのフレームワークである。 本研究では,DynaCLRを用いて細胞の形態動態を時間的に規則化された埋め込み空間にマッピングする方法を示す。
  論文  参考訳（メタデータ） (2024-10-15T05:01:25Z)
• Generating Multi-Modal and Multi-Attribute Single-Cell Counts with CFGen [76.02070962797794]
  マルチモーダル単細胞数に対するフローベース条件生成モデルであるセルフロー・フォー・ジェネレーションを提案する。 本研究は, 新規な生成タスクを考慮に入れた上で, 重要な生物学的データ特性の回復性の向上を示唆するものである。
  論文  参考訳（メタデータ） (2024-07-16T14:05:03Z)
• 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)
• Growing Isotropic Neural Cellular Automata [63.91346650159648]
  我々は、元のGrowing NCAモデルには、学習された更新規則の異方性という重要な制限があると主張している。 細胞系は2つの方法のいずれかによって、正確な非対称パターンを成長させる訓練が可能であることを実証する。
  論文  参考訳（メタデータ） (2022-05-03T11:34:22Z)
• Predicting single-cell perturbation responses for unseen drugs [3.4591290171087747]
  新規なエンコーダデコーダアーキテクチャを導入し, 未知薬物の摂動効果について検討する。 提案手法は, シリカ内仮説を生成する能力により, より効率的な実験設計を容易にすることを期待する。
  論文  参考訳（メタデータ） (2022-04-28T14:53:54Z)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)

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。