論文の概要: Predicting Single-cell Drug Sensitivity by Adaptive Weighted Feature for Adversarial Multi-source Domain Adaptation

• arxiv url: http://arxiv.org/abs/2403.05260v1
• Date: Fri, 8 Mar 2024 12:31:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-11 19:58:03.957106
• Title: Predicting Single-cell Drug Sensitivity by Adaptive Weighted Feature for Adversarial Multi-source Domain Adaptation
• Title（参考訳）: 適応型重み付け特徴量による単細胞薬剤感受性の予測
• Authors: Wei Duan, Hui Liu
• Abstract要約: scAdaDrugはシングルセル薬物感受性を予測するマルチソース適応重み付けモデルである。 本モデルでは, 肝細胞, 細胞株, 患者データセットに対する薬剤感受性の予測において, 最先端の性能を達成した。
• 参考スコア（独自算出の注目度）: 9.043161950476055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of single-cell sequencing technology had promoted the generation of a large amount of single-cell transcriptional profiles, providing valuable opportunities to explore drug-resistant cell subpopulations in a tumor. However, the drug sensitivity data in single-cell level is still scarce to date, pressing an urgent and highly challenging task for computational prediction of the drug sensitivity to individual cells. This paper proposed scAdaDrug, a multi-source adaptive weighting model to predict single-cell drug sensitivity. We used an autoencoder to extract domain-invariant features related to drug sensitivity from multiple source domains by exploiting adversarial domain adaptation. Especially, we introduced an adaptive weight generator to produce importance-aware and mutual independent weights, which could adaptively modulate the embedding of each sample in dimension-level for both source and target domains. Extensive experimental results showed that our model achieved state-of-the-art performance in predicting drug sensitivity on sinle-cell datasets, as well as on cell line and patient datasets.
• Abstract（参考訳）: シングルセルシークエンシング技術の発展は、大量のシングルセル転写プロファイルの生成を促進し、腫瘍内の薬剤耐性細胞サブ集団を探索する貴重な機会となった。 しかし, 単一細胞レベルでの薬剤感受性データはいまだに乏しく, 個々の細胞に対する薬剤感受性の予測に緊急かつ極めて困難な課題が迫られている。 本稿では,シングルセル薬物感受性を予測するマルチソース適応重み付けモデルである scAdaDrug を提案する。 自動エンコーダを用いて, 薬物感受性に関連する領域不変な特徴を複数のソースドメインから抽出し, 逆領域適応を活用した。 特に,各試料の埋め込みを,ソースドメインとターゲットドメインの両方の次元レベルで適応的に調整できる,重み付けと相互独立重み付けを行う適応重み生成装置を提案する。 広範な実験結果から,sinle-cellデータセットおよび細胞線および患者データセット上での薬剤感受性予測において,最先端の性能が得られた。

関連論文リスト

• Weighted Diversified Sampling for Efficient Data-Driven Single-Cell Gene-Gene Interaction Discovery [56.622854875204645]
  本稿では,遺伝子・遺伝子相互作用の探索に先進的なトランスフォーマーモデルを活用する,データ駆動型計算ツールを活用した革新的なアプローチを提案する。 新たな重み付き多様化サンプリングアルゴリズムは、データセットのたった2パスで、各データサンプルの多様性スコアを算出する。
  論文  参考訳（メタデータ） (2024-10-21T03:35:23Z)
• Generative Principal Component Regression via Variational Inference [2.4415762506639944]
  適切な操作を設計するための1つのアプローチは、予測モデルの重要な特徴をターゲットとすることである。 我々は,そのような情報を潜在空間で表現する,教師付き変分オートエンコーダ(SVAE)に基づく新しい目的を開発する。 シミュレーションでは,gPCRは通常のPCRやSVAEと比較して,操作時のターゲット選択を劇的に改善することを示した。
  論文  参考訳（メタデータ） (2024-09-03T22:38:55Z)
• 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)
• Learning Causal Representations of Single Cells via Sparse Mechanism Shift Modeling [3.2435888122704037]
  本稿では,各摂動を未知の,しかしスパースな,潜伏変数のサブセットを標的とした介入として扱う単一細胞遺伝子発現データの深部生成モデルを提案する。 これらの手法をシミュレーションした単一セルデータ上でベンチマークし、潜伏単位回復、因果的目標同定、領域外一般化における性能を評価する。
  論文  参考訳（メタデータ） (2022-11-07T15:47:40Z)
• Predicting Cellular Responses with Variational Causal Inference and Refined Relational Information [13.106564921658089]
  そこで本稿では,非現実的摂動下での細胞の遺伝子発現を予測するために,ベイズ因果推論フレームワークを提案する。 我々は、遺伝子制御ネットワークの形で生物学的知識を表す情報を活用して、個別化された細胞応答予測を支援する。
  論文  参考訳（メタデータ） (2022-09-30T22:13:57Z)
• A generative recommender system with GMM prior for cancer drug generation and sensitivity prediction [1.0128447823756244]
  本稿では,変分オートエンコーダを用いた薬物効率評価推薦システムであるVADEERSについて述べる。 化合物の生成は、半教師付きガウス混合モデル(GMM)による新しい変分オートエンコーダによって実行される。 VADEERSは、薬物と細胞株の性質とそれらの関係の包括的モデルを提供し、新規化合物を誘導する。
  論文  参考訳（メタデータ） (2022-06-07T20:13:03Z)
• 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)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• 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)
• Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
  本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。 我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。 アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
  論文  参考訳（メタデータ） (2020-05-13T20:29:48Z)
• Reducing complexity and unidentifiability when modelling human atrial cells [0.0]
  パラメータ推定に隠された不確実性は, 校正から実験データへの理解が不可欠である。 本研究では、ベイズ近似計算を用いて、既存の2つのヒト心房細胞モデルにおける4つのイオンチャネルのゲーティング速度を補正する。
  論文  参考訳（メタデータ） (2020-01-29T16:57:07Z)

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。