論文の概要: Inference of dynamical gene regulatory networks from single-cell data
with physics informed neural networks
- arxiv url: http://arxiv.org/abs/2401.07379v1
- Date: Sun, 14 Jan 2024 21:43:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-17 18:32:27.301405
- Title: Inference of dynamical gene regulatory networks from single-cell data
with physics informed neural networks
- Title（参考訳）: 物理インフォームドニューラルネットワークを用いた単細胞データからの動的遺伝子制御ネットワークの推定
- Authors: Maria Mircea, Diego Garlaschelli, Stefan Semrau
- Abstract要約: 本稿では,物理インフォームドニューラルネットワーク(PINN)を用いて,予測的,動的 GRN のパラメータを推定する方法について述べる。
具体的には, 分岐挙動を示すGRNについて検討し, 細胞分化をモデル化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: One of the main goals of developmental biology is to reveal the gene
regulatory networks (GRNs) underlying the robust differentiation of multipotent
progenitors into precisely specified cell types. Most existing methods to infer
GRNs from experimental data have limited predictive power as the inferred GRNs
merely reflect gene expression similarity or correlation. Here, we demonstrate,
how physics-informed neural networks (PINNs) can be used to infer the
parameters of predictive, dynamical GRNs that provide mechanistic understanding
of biological processes. Specifically we study GRNs that exhibit bifurcation
behavior and can therefore model cell differentiation. We show that PINNs
outperform regular feed-forward neural networks on the parameter inference task
and analyze two relevant experimental scenarios: 1. a system with cell
communication for which gene expression trajectories are available and 2.
snapshot measurements of a cell population in which cell communication is
absent. Our analysis will inform the design of future experiments to be
analyzed with PINNs and provides a starting point to explore this powerful
class of neural network models further.
- Abstract（参考訳）: 発達生物学の主な目的の1つは、多能性前駆体を正確に特定された細胞タイプに堅牢に分化させる遺伝子制御ネットワーク(GRN)を明らかにすることである。
実験データからGRNを推定する既存の方法の多くは、推定されたGRNが単に遺伝子発現の類似性や相関を反映しているため、予測能力に制限がある。
ここでは,物理インフォームドニューラルネットワーク(PINN)を用いて,生物学的プロセスの機械的理解を提供する予測的,動的GRNのパラメータを推定する方法を示す。
具体的には, 分岐挙動を示すGRNについて検討し, 細胞分化をモデル化する。
パラメータ推論タスクにおいて、PINNは通常のフィードフォワードニューラルネットワークよりも優れており、関連する2つの実験シナリオを分析する。
1 遺伝子発現経路が利用可能な細胞通信システム及び
2. 細胞間通信が欠如している細胞集団のスナップショット測定。
我々の分析は、PINNで分析される将来の実験の設計を知らせ、この強力なニューラルネットワークモデルをさらに探求するための出発点を提供する。
関連論文リスト
- Gene Regulatory Network Inference from Pre-trained Single-Cell Transcriptomics Transformer with Joint Graph Learning [10.44434676119443]
単一細胞RNAシークエンシング(scRNA-seq)データから遺伝子制御ネットワーク(GRN)を推定することは複雑である。
本研究では,単一セルBERTを用いた事前学習型トランスモデル(scBERT)を活用することで,この問題に対処する。
本稿では,単一セル言語モデルによって学習されたリッチな文脈表現と,GRNで符号化された構造化知識を組み合わせた,新しい共同グラフ学習手法を提案する。
論文 参考訳（メタデータ） (2024-07-25T16:42:08Z) - Stability Analysis of Non-Linear Classifiers using Gene Regulatory
Neural Network for Biological AI [2.0755366440393743]
二重層転写翻訳化学反応モデルを用いた遺伝子パーセプトロンの数学的モデルを構築した。
我々は全接続GRNNサブネットワーク内の各遺伝子パーセプトロンの安定性解析を行い、時間的および安定した濃度出力を決定する。
論文 参考訳（メタデータ） (2023-09-14T21:37:38Z) - On Neural Networks as Infinite Tree-Structured Probabilistic Graphical
Models [47.91322568623835]
本稿では,ニューラルネットワークに対応する無限木構造PGMを構築することにより,革新的な解を提案する。
我々の研究は、DNNが前方伝播中に、この代替のPGM構造において正確であるPGMの近似を実行することを明らかにした。
論文 参考訳（メタデータ） (2023-05-27T21:32:28Z) - DDeMON: Ontology-based function prediction by Deep Learning from Dynamic
Multiplex Networks [0.7349727826230864]
本研究の目的は、遺伝子発現の時間的ダイナミクスとシステムのレベル情報の融合がいかにして新しい遺伝子機能を予測するかを検討することである。
時間依存型多スケール生体情報を用いた関数アノテーションのスケーラブルなシステムレベルの推論手法であるDDeMONを提案する。
論文 参考訳（メタデータ） (2023-02-08T06:53:02Z) - Inferring Gene Regulatory Neural Networks for Bacterial Decision Making
in Biofilms [4.459301404374565]
細菌細胞は環境を学習するのに用いられる様々な外部信号に敏感である。
遺伝性遺伝子制御ニューラルネットワーク(GRNN)の動作は、細胞決定を可能にする。
GRNNはバイオハイブリッドコンピューティングシステムのための計算タスクを実行できる。
論文 参考訳（メタデータ） (2023-01-10T22:07:33Z) - Granger causal inference on DAGs identifies genomic loci regulating
transcription [77.58911272503771]
GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。
我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
論文 参考訳（メタデータ） (2022-10-18T21:15:10Z) - Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a
Polynomial Net Study [55.12108376616355]
NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。
本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。
我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
論文 参考訳（メタデータ） (2022-09-16T06:36:06Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Prediction of gene expression time series and structural analysis of
gene regulatory networks using recurrent neural networks [0.0]
この作業は、RNNの注意機構を理解し、活用する方法を提供する。
遺伝子発現データから時系列予測とGRNの推測を行うRNNベースの手法への道を開く。
論文 参考訳（メタデータ） (2021-09-13T10:30:21Z) - How Neural Networks Extrapolate: From Feedforward to Graph Neural
Networks [80.55378250013496]
勾配勾配降下法によりトレーニングされたニューラルネットワークが、トレーニング分布の支持の外で学んだことを外挿する方法について検討する。
グラフニューラルネットワーク(GNN)は、より複雑なタスクでいくつかの成功を収めている。
論文 参考訳（メタデータ） (2020-09-24T17:48:59Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z)
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。