論文の概要: Learning Dynamics from Multicellular Graphs with Deep Neural Networks
- arxiv url: http://arxiv.org/abs/2401.12196v1
- Date: Mon, 22 Jan 2024 18:36:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-24 18:21:07.699905
- Title: Learning Dynamics from Multicellular Graphs with Deep Neural Networks
- Title(参考訳): ディープニューラルネットワークを用いたマルチセルグラフからの学習ダイナミクス
- Authors: Haiqian Yang, Florian Meyer, Shaoxun Huang, Liu Yang, Cristiana Lungu,
Monilola A. Olayioye, Markus J. Buehler, Ming Guo
- Abstract要約: グラフベースのディープニューラルネットワーク(GNN)の予測能力を利用して、ダイナミクスを予測可能な重要なグラフ機能を発見する。
我々は、piGNNがマルチセルリビングシステムの複雑なグラフ特徴をナビゲートできることを実証した。
- 参考スコア(独自算出の注目度): 7.576682248778861
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The inference of multicellular self-assembly is the central quest of
understanding morphogenesis, including embryos, organoids, tumors, and many
others. However, it has been tremendously difficult to identify structural
features that can indicate multicellular dynamics. Here we propose to harness
the predictive power of graph-based deep neural networks (GNN) to discover
important graph features that can predict dynamics. To demonstrate, we apply a
physically informed GNN (piGNN) to predict the motility of multicellular
collectives from a snapshot of their positions both in experiments and
simulations. We demonstrate that piGNN is capable of navigating through complex
graph features of multicellular living systems, which otherwise can not be
achieved by classical mechanistic models. With increasing amounts of
multicellular data, we propose that collaborative efforts can be made to create
a multicellular data bank (MDB) from which it is possible to construct a large
multicellular graph model (LMGM) for general-purposed predictions of
multicellular organization.
- Abstract(参考訳): 多細胞自己集合の推論は、胚、オルガノイド、腫瘍など多くの形態形成を理解する中心的課題である。
しかし、多細胞動態を示す構造的特徴を特定することは極めて困難である。
本稿では,グラフベースディープニューラルネットワーク(gnn)の予測能力を利用して,ダイナミクスを予測できる重要なグラフ特徴を探索する。
実験とシミュレーションの両方で位置のスナップショットから多細胞集団の運動性を予測するために、物理的に情報を得たGNN(piGNN)を適用した。
我々は,従来の力学モデルでは達成できないマルチセルリビングシステムの複雑なグラフ特徴をナビゲートできることを実証した。
本稿では,多細胞データ量の増加に伴い,多細胞データバンク(MDB)の構築に協力して,多細胞組織を汎用的に予測するための大規模多細胞グラフモデル(LMGM)の構築が可能であることを提案する。
関連論文リスト
- Inference of dynamical gene regulatory networks from single-cell data
with physics informed neural networks [0.0]
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。
論文 参考訳(メタデータ) (2024-01-14T21:43:10Z) - Self-Supervised Learning of Representations for Space Generates
Multi-Modular Grid Cells [16.208253624969142]
哺乳類の系統は 顕著な空間表現を発達させました
重要な空間表現の一つがノーベル賞受賞格子細胞である。
ノーベル賞受賞時のグリッド細胞は、自己位置、局所的および周期的な量を表す。
論文 参考訳(メタデータ) (2023-11-04T03:59:37Z) - From Latent Graph to Latent Topology Inference: Differentiable Cell
Complex Module [21.383018558790674]
Differentiable Cell Complex Module (DCM) は、下流タスクを改善するために複合体内の細胞確率を計算する新しい学習可能な関数である。
DCMをセル複雑なメッセージパッシングネットワーク層と統合し、エンドツーエンドでトレーニングする方法を示す。
本モデルは, ホモ親和性およびヘテロ親和性のあるグラフデータセットを用いて実験を行い, その他の最先端技術よりも優れた性能を示すことを示す。
論文 参考訳(メタデータ) (2023-05-25T15:33:19Z) - Single-Cell Multimodal Prediction via Transformers [36.525050229323845]
異なるモード間の複雑な相互作用をモデル化するために、scMoFormerを提案する。
scMoFormerは24/1221(Top 2%)のランクでカグル銀メダルを獲得したが、NeurIPS 2022の大会ではアンサンブルは無かった。
論文 参考訳(メタデータ) (2023-03-01T05:03:23Z) - Multimodal foundation models are better simulators of the human brain [65.10501322822881]
1500万の画像テキストペアを事前訓練した,新たに設計されたマルチモーダル基礎モデルを提案する。
視覚的エンコーダも言語的エンコーダもマルチモーダルで訓練され,脳に近いことが判明した。
論文 参考訳(メタデータ) (2022-08-17T12:36:26Z) - 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) - A Few-shot Learning Graph Multi-Trajectory Evolution Network for
Forecasting Multimodal Baby Connectivity Development from a Baseline
Timepoint [53.73316520733503]
本稿では,教師-学生パラダイムを取り入れたグラフ多目的進化ネットワーク(GmTE-Net)を提案する。
これは、脳グラフ多軌道成長予測に適した最初の教師学生アーキテクチャである。
論文 参考訳(メタデータ) (2021-10-06T08:26:57Z) - Ensemble manifold based regularized multi-modal graph convolutional
network for cognitive ability prediction [33.03449099154264]
マルチモーダル機能磁気共鳴イメージング(fMRI)を使用して、脳の接続ネットワークに基づいて個々の行動特性および認知特性を予測することができます。
本稿では,fMRI時系列と各脳領域間の機能接続(FC)を組み込んだ,解釈可能な多モードグラフ畳み込みネットワーク(MGCN)モデルを提案する。
我々は、フィラデルフィア神経開発コホート上のMGCNモデルを検証し、個々の広範囲達成テスト(WRAT)スコアを予測します。
論文 参考訳(メタデータ) (2021-01-20T20:53:07Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z) - Neural Cellular Automata Manifold [84.08170531451006]
ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。
これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。
生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
論文 参考訳(メタデータ) (2020-06-22T11:41:57Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z)
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。