論文の概要: Cell reprogramming design by transfer learning of functional transcriptional networks

• arxiv url: http://arxiv.org/abs/2403.04837v1
• Date: Thu, 7 Mar 2024 19:00:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 13:19:01.898724
• Title: Cell reprogramming design by transfer learning of functional transcriptional networks
• Title（参考訳）: 機能的転写ネットワークの伝達学習による細胞再プログラミング設計
• Authors: Thomas P. Wytock and Adilson E. Motter
• Abstract要約: 我々は,ヒト細胞運命に関連する転写学的データに基づいて事前学習した細胞行動を制御するための転写学習手法を開発した。 本研究では, 発達関連性の低下に伴い, ある運命から別の運命へと進むために必要な遺伝子摂動の数が増加することを示す。
• 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: Recent developments in synthetic biology, next-generation sequencing, and machine learning provide an unprecedented opportunity to rationally design new disease treatments based on measured responses to gene perturbations and drugs to reprogram cells. The main challenges to seizing this opportunity are the incomplete knowledge of the cellular network and the combinatorial explosion of possible interventions, both of which are insurmountable by experiments. To address these challenges, we develop a transfer learning approach to control cell behavior that is pre-trained on transcriptomic data associated with human cell fates, thereby generating a model of the network dynamics that can be transferred to specific reprogramming goals. The approach combines transcriptional responses to gene perturbations to minimize the difference between a given pair of initial and target transcriptional states. We demonstrate our approach's versatility by applying it to a microarray dataset comprising >9,000 microarrays across 54 cell types and 227 unique perturbations, and an RNASeq dataset consisting of >10,000 sequencing runs across 36 cell types and 138 perturbations. Our approach reproduces known reprogramming protocols with an AUROC of 0.91 while innovating over existing methods by pre-training an adaptable model that can be tailored to specific reprogramming transitions. We show that the number of gene perturbations required to steer from one fate to another increases with decreasing developmental relatedness and that fewer genes are needed to progress along developmental paths than to regress. These findings establish a proof-of-concept for our approach to computationally design control strategies and provide insights into how gene regulatory networks govern phenotype.
• Abstract（参考訳）: 合成生物学、次世代シークエンシング、機械学習における最近の進歩は、遺伝子変異や薬物による細胞再プログラムに対する測定された反応に基づいて、新しい疾患治療を合理的に設計する前例のない機会を提供する。 この機会を奪取するための主な課題は、細胞ネットワークの不完全な知識と、実験によって克服できない、潜在的介入の組合せ的な爆発である。 これらの課題に対処するため,我々は,ヒト細胞運命に関連する転写学データに基づいて事前学習された細胞行動制御のためのトランスファーラーニング手法を開発し,それによって,特定の再プログラミング目標に伝達可能なネットワークダイナミクスのモデルを生成する。 このアプローチは、遺伝子摂動に対する転写応答を組み合わせて、与えられた初期状態とターゲットの転写状態の差を最小限に抑える。 54種類の細胞と227個の独特な摂動からなる9000マイクロアレイデータセットと、36種類の細胞と138個の摂動からなる10000以上のシーケンシング実行からなるrnaseqデータセットに適用することにより、このアプローチの汎用性を示す。 提案手法は,AUROCが0.91の既知再プログラミングプロトコルを再現すると同時に,特定の再プログラミング遷移に合わせて適応可能なモデルを事前学習することで,既存の手法を革新する。 発達的関連性が低下するにつれて,ある運命から別の運命へと作用するために必要な遺伝子摂動の数は増加し,レグレッシブよりも発達経路に沿って進行する遺伝子が少なくなることが示された。 これらの知見は、制御戦略を計算的に設計し、遺伝子制御ネットワークが表現型を管理する方法に関する洞察を提供するための、我々のアプローチの実証となる。

関連論文リスト

• Recovering Time-Varying Networks From Single-Cell Data [11.04189396013616]
  時系列単細胞遺伝子発現データから動的グラフを推論するディープニューラルネットワークであるMarleneを開発した。 Marleneは、新型コロナウイルスの免疫反応、線維化、老化など、特定の生物学的反応に関連する遺伝子相互作用を同定することができる。
  論文  参考訳（メタデータ） (2024-10-01T19:18:51Z)
• 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)
• Semantically Rich Local Dataset Generation for Explainable AI in Genomics [0.716879432974126]
  ゲノム配列に基づいて訓練されたブラックボックス深層学習モデルは、異なる遺伝子制御機構の結果を予測するのに優れている。 本稿では、遺伝的プログラミングを用いて、その意味的多様性に寄与する配列の摂動を進化させることによりデータセットを生成することを提案する。
  論文  参考訳（メタデータ） (2024-07-03T10:31:30Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• 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)
• Modelling Technical and Biological Effects in scRNA-seq data with Scalable GPLVMs [6.708052194104378]
  我々は,ガウス過程潜在変数モデルである確率的非線形次元減少に対する一般的なアプローチを拡張し,大規模単一セルデータセットに拡張する。 鍵となる考え方は、高速な変動推論を可能にする下位境界の分解可能性を保存する拡張カーネルを使用することである。
  論文  参考訳（メタデータ） (2022-09-14T15:25:15Z)
• Multi-modal Self-supervised Pre-training for Regulatory Genome Across Cell Types [75.65676405302105]
  我々は、GeneBERTと呼ばれる、多モードかつ自己管理的な方法でゲノムデータを事前学習するための、単純かつ効果的なアプローチを提案する。 我々はATAC-seqデータセットで1700万のゲノム配列でモデルを事前訓練する。
  論文  参考訳（メタデータ） (2021-10-11T12:48:44Z)
• 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)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。